EP4026058A1 - Verfahren zum komprimieren eines neuronalen netzes - Google Patents

Verfahren zum komprimieren eines neuronalen netzes

Info

Publication number
EP4026058A1
EP4026058A1 EP20751522.2A EP20751522A EP4026058A1 EP 4026058 A1 EP4026058 A1 EP 4026058A1 EP 20751522 A EP20751522 A EP 20751522A EP 4026058 A1 EP4026058 A1 EP 4026058A1
Authority
EP
European Patent Office
Prior art keywords
neural network
selection
central server
elements
fleet
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
EP20751522.2A
Other languages
English (en)
French (fr)
Inventor
Peter Schlicht
Nikhil KAPOOR
John Serin VARGHESE
Jan David Schneider
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Volkswagen AG
Original Assignee
Volkswagen AG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Volkswagen AG filed Critical Volkswagen AG
Publication of EP4026058A1 publication Critical patent/EP4026058A1/de
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0495—Quantised networks; Sparse networks; Compressed networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/098—Distributed learning, e.g. federated learning

Definitions

  • the invention relates to a method for compressing a neural network.
  • the invention also relates to a fleet participant, a central server and a system.
  • Modern driver assistance systems and driving functions for automated driving are increasingly using machine learning, among other things, to recognize the vehicle environment including other road users (e.g. pedestrians and other vehicles) and to describe their behavior.
  • the evaluation of input data (input) from various sources takes place through deep neural networks, which, among other things, perform pixel-by-pixel classifications (semantic segmentation) or create bounding boxes of recognized objects.
  • CNN convolutional neural networks
  • the convolution networks used here increasingly use a large number of filters and layers, so that the time and computational effort required to process (inference) input data into outputs (output) increases. Since the use of neural networks in the area of automatic driving is subject to severe restrictions with regard to the required computing time due to the dynamic environment and at the same time the hardware (computing capacities) that can be used in vehicles cannot be scaled as desired, the size of the neural network is a limiting factor with regard to the possible uses in such systems.
  • the choice of neurons or filters to be removed is important here. Different filters can influence the output of the network to different degrees. It is therefore important to use selected strategies to select those filters whose removal has the least impact on the output (quality) and at the same time to check the largest possible number of filters in order to significantly reduce the size of the network and thus the lowest possible inference and To achieve training times.
  • Systems and methods for checking a convolution network (CNN) are known from US 2018/0336468 A1.
  • the method comprises the extraction of convolution layers from a trained CNN, each convolution layer containing a kernel matrix with at least one filter formed in a corresponding output channel of the kernel matrix, a feature map set with a feature map that corresponds to each filter.
  • An absolute kernel weight is determined for each kernel and added up over each filter in order to determine a strength of each filter.
  • the strength of each filter is compared to a threshold and a filter is removed if the determined strength is below the threshold.
  • a feature map corresponding to each of the removed filters is removed to prune the CNN.
  • the CNN is retrained to produce a checked CNN with fewer convolutional layers.
  • a method, a computer-readable medium and a system for checking a neural network are known from US 2018/0114114 A1.
  • the method comprises the steps of receiving first order gradients of a cost function relative to slice parameters for a trained neural network and calculating a pruning criterion for each slice parameter based on the first order gradient corresponding to the slice parameter, the pruning criterion indicating an importance of each neuron, which is contained in the trained neural network and is assigned to the slice parameter.
  • the method comprises the additional steps of identifying at least one neuron with the least importance and removing the at least one neuron from the trained neural network in order to generate a tested neural network.
  • the invention is based on the object of improving a method for compressing a neural network, in particular with regard to a selection of elements of the neural network to be checked.
  • a method for compressing a neural network is made available, fleet participants of a vehicle fleet running the neural network locally and one during at least one inference phase Determine the selection of elements of the neural network that are to be checked, with the fleet participants transmitting the respective selected selection to a central server, with the central server merging the respective transmitted selections and generating a merged selection, and with the central server opening the neural network Basis of the merged selection prunt.
  • a fleet participant for a vehicle fleet comprising a computing device, the computing device being designed to locally execute a neural network and to determine a selection of elements of the neural network that are checked during at least one inference phase should, and to transmit the specific selection to a central server.
  • a central server comprising a computing device, the computing device being designed to merge selections of elements of a neural network transmitted by fleet participants and to generate a merged selection, and the neural network on the basis of the merged Selection to prune.
  • a system comprising at least one fleet participant according to the second aspect of the invention and a central server according to the third aspect of the invention.
  • the system carries out the method according to the first aspect of the invention.
  • the method and the system make it possible to compress a neural network in an efficient manner. This is achieved by using fleet participants in a vehicle fleet.
  • the fleet participants execute the neural network by means of a computing device.
  • elements of the neural network that are to be checked are determined.
  • the specific elements are each transmitted to a central server in the form of a selection.
  • the central server collects the respective selections of the fleet participants and uses them to generate a merged selection.
  • the neural network is then checked, in particular by means of the central server, on the basis of the combined selection.
  • One advantage of the invention is that the elements to be pruned are selected on the basis of an enlarged database, since a large number of fleet participants select elements of the neural network while taking various situations into account. The more Fleet participants are taken into account when determining the selection of the elements of the neural network to be pruned, the more situations can be taken into account. This improves the selection of the elements to be checked.
  • the computing devices of the fleet participants each have, in particular, a memory device or can each access such a memory device.
  • the computing devices can be designed as a combination of hardware and software, for example as program code that is executed on a microcontroller or microprocessor.
  • the computing devices operate in particular the neural network, that is, the computing devices perform the arithmetic operations required to operate the neural network on the input data provided, so that activations or values at the outputs of the neural network can be inferred and made available in the form of output data.
  • local copies of the neural network are stored in the respective associated storage devices, that is to say a structure and associated weightings and parameters of the neural network.
  • the computing device of the central server is designed accordingly.
  • a central copy of the neural network is located in the storage device of the central server.
  • the pruning is carried out on the central copy of the neural network.
  • Input data are, in particular, sensor data, in particular a sensor data stream of sensor data recorded over time.
  • the sensor data are recorded by sensors and fed to an input layer of the neural network, for example via an input interface designed for this purpose.
  • a sensor is in particular a camera, a lidar or a radar sensor. In principle, however, fused sensor data can also be used.
  • a fleet participant is in particular a motor vehicle. In principle, however, a fleet participant can also be another land, water, air or spacecraft.
  • the transmission of the selections from the fleet participants to the central server takes place in particular via communication interfaces provided for this purpose between the fleet participants and the central server. Communication takes place here in particular wirelessly.
  • the neural network is in particular a deep neural network, in particular a convolutional neural network (CNN).
  • CNN convolutional neural network
  • the neural network performs a perception function.
  • the neural Network serve to carry out an object classification on acquired sensor data, for example camera data.
  • areas of the sensor data in which objects can be found can also be identified (bounding box).
  • One element is in particular a neuron of the neural network. If the neural network is a convolution network, one element is in particular a filter of the convolution network.
  • Pruning the neural network is intended to mean, in particular, that the structure of the neural network is changed, in particular trimmed or reduced in size. This is done by removing elements and / or parts (e.g. parameters or input channels etc.) of the elements from the neural network. Due to the changed, in particular trimmed, structure, the tested neural network can be applied to input data with less computing power. The structure of the tested neural network is then compressed.
  • the method is repeated cyclically.
  • the method can be repeated, for example, until a termination criterion is met.
  • the termination criterion can be, for example, if the functional quality of the (progressively) panned neural network is not reached.
  • the pruning is followed by retraining of the pruned neural network in order to restore a functional quality (performance) of the (pruned) neural network after the pruning.
  • the neural network When pruning, provision is made in particular for the neural network to be checked in a homogeneous manner. Homogeneous is intended to mean that, on average, all areas of the neural network are checked to the same degree. This can prevent areas or individual layers of the neural network from being excessively checked and thereby adversely affecting functionality or functional quality of the neural network.
  • the elements of the neural network can be selected in various ways. In a simple embodiment, for example, those elements of the neural network are selected for testing by the fleet participants which have the least influence on an output result of the neural network. It can furthermore also be provided that elements are selected whose outputs are always activations below a predetermined threshold value.
  • the selected elements are collected, for example, in the form of a list, a table or a database and are put together for the selection. In the list, the table or the database, for example, an unambiguous identification of a respectively selected element is noted as well as possibly further properties or values, such as a maximum, minimum and / or average activation of the element under consideration.
  • the list, the table or the database includes a selection criterion used in each case or a value of the respective element associated with the selection criterion used in each case.
  • the selection criterion defines the conditions under which the elements are selected.
  • mean values can be formed and / or other averaging methods can be used, for example arithmetic mean values, geometric mean values, moment-based averaging methods, swarm-based averaging methods, geographical averaging methods depending on a route taken by the fleet participant (s) and / or safety-focused or situation-dependent averaging methods.
  • the merging can include determining the elements most frequently selected by the fleet participants, the merged selection comprising the most frequently selected elements.
  • the checked neural network is output after the check, for example in the form of a digital data record describing the structure and the weightings or parameters of the neural network.
  • a selection of elements to be praised is not made or transmitted by the other fleet participants.
  • the transmission of the selection to the central server takes place when at least one transmission criterion is met. This avoids unnecessary communication between the fleet participants and the central server.
  • a transmission criterion can, for example, be a certain number of locally collected elements of the neural network.
  • a transmission criterion can also require that a selection no longer changes after several runs or inference phases.
  • the fleet participants each create a ranking of the selected items and the selection is transmitted to the central server in the form of the ranking created, the central server creating a merged ranking based on the transmitted ranking, and the Pruning of the neural network takes place on the basis of the merged ranking.
  • those elements can be specifically checked which achieve the highest values according to a criterion according to which the ranking was created.
  • the neural network for determining the respective selection is supplied with input data that change over time, with temporal activation differences of elements of the neural network being determined for temporally adjacent input data, and the selection of the elements of the neural network depending on the certain timing differences takes place.
  • This makes it possible to compress the neural network taking into account a stability-oriented criterion. This is done by feeding input data that change over time to the neural network. As a result of the change in the input data over time, activations or values at the respective outputs of the individual elements of the neural network also change. A temporal change in the activations or values at the outputs is then mapped via temporal differences in activation of the elements of the neural network.
  • the embodiment is based on the following consideration: Since the input data, which are provided in particular on the basis of recorded sensor data, generally only vary slightly with a small change in time, the activation differences that are necessary for this time change at the outputs of the Elements are determined to vary only slightly. Large activation differences therefore indicate unstable elements in the neural network.
  • the unstable elements can be identified by determining the activation differences over time. Once the unstable elements have been identified, they can later be removed from the structure of the neural network centrally in the central server by means of pruning.
  • An activation difference is in particular a difference that is determined from activations or values of an output that are inferred or calculated by an element of the neural network at adjacent, in particular successive, times.
  • the input data is camera data, for example, then the input data can correspond to two temporally successive single images of the camera data.
  • a temporal fluctuation of the activations at the output of an element of the neural network as a function of input data that varies over time is therefore mapped via the activation difference.
  • the input data are in particular sensor data, in particular a sensor data stream of sensor data recorded over time.
  • the sensor data are recorded by sensors and fed to an input layer of the neural network, for example via an input interface designed for this purpose.
  • the activation differences are determined for the filters of the convolution network.
  • the repetition of the method can be terminated, for example, when the activation differences are below a predefined threshold value, that is to say when a predefined degree of stability has been reached.
  • element-wise mean values are formed from the determined activation differences, the pruning being carried out as a function of the mean values formed. This allows brief peaks in the activation differences to be taken into account or attenuated. Such peaks alone then do not lead to the associated element of the neural network being identified as unstable. Only when a mean value determined for this element from several activation differences exceeds a threshold value, for example, is the associated element selected for testing.
  • the mean values can be determined as arithmetic mean, time mean or geometric mean. The formation of mean values can be carried out both by the fleet participants and by the central server.
  • the merging of the selections in the central server can in particular form an arithmetic mean, geometric averaging methods (for example, focal points can be derived from individual rankings formed vectors are formed), moment-based averaging methods, swarm-based averaging methods, geographic averaging methods and / or safety-focused averaging methods.
  • Swarm-based averaging methods can in particular be designed as partial filters, that is to say subsets are selected from the selections made by the individual fleet participants and averaging takes place only within these subsets.
  • the subsets can be formed, for example, as a function of a geographical position or region, a route, a point in time (time, time of day, day of the week, month, season, etc.) or other properties.
  • the subsets are always formed on the basis of similarities between the fleet participants providing the selections or the circumstances under which the selections were made.
  • Safety-focused averaging methods take into account, in particular, a situation in which an element of the neural network has been selected for testing. This situation can then have an influence on the specific rankings. For example, safety-critical situations (e.g. when small children are in the vicinity of a motor vehicle) can lead to selected elements being shifted further up in the ranking, i.e. towards the higher ranks. In particular, if a time activation difference is used to select the elements, a “punishment” of an element or a filter can be increased (or reduced), so that situation-related circumstances have an influence on the ranking.
  • the determined activation differences are determined as a function of at least one influencing parameter.
  • the activation differences can be influenced over time or as a function of the situation.
  • a speed provided e.g. by a GPS sensor
  • current weather provided e.g. by a rain sensor
  • a steering angle provided e.g. by a steering angle sensor
  • situation-dependent sensor properties can thereby be taken into account.
  • the ranking of the elements is created on the basis of the determined temporal activation differences, the pruning being carried out as a function of the ranking created.
  • the ranking is created on the basis of the respective mean values of the determined capitalization differences.
  • a specified number of ranks is later taken into account when checking in the central server, for example the 10, 100 or 1000 elements of the neural network (e.g. the 10, 100 or 1000 filters of the convolution network) that have the largest (averaged) activation differences.
  • the creation of the ranking makes it possible to compress the neural network and to select and test the most unstable elements in a targeted manner.
  • the rankings created by the fleet participants and transmitted as a respective selection to the central server are combined by the central server to form a merged ranking.
  • the ranking is determined in such a way that the elements of the neural network with the greatest temporal activation differences are checked. This removes the most unstable elements of the neural network from the neural network.
  • a ranking function for determining the (in-) stability of an element of the neural network can be defined in a simple case by a temporal activation difference between activations of the element in relation to a (temporal) change in the input data (e.g. a change in temporally adjacent video frames) .
  • the structural similarity index (SSIM) between the individual video images at different points in time can be used in a ranking function in order to determine a difference between temporally adjacent individual video images.
  • the temporal activation differences in a preceding convolutional layer of the neural network are also taken into account.
  • an influence of a preceding convolution layer can be taken into account or removed when determining or calculating the temporal activation differences.
  • activation differences can propagate through the neural network, since the temporal activation differences of one convolution layer are passed on to the following convolution layer.
  • those calculated for individual filters are calculated Activation differences across the entire neural network or across layers are made comparable. The ranking of the elements of the neural network can thereby be determined in an improved manner.
  • the merged ranking is created taking into account at least one target variable.
  • This allows an expanded ranking to be generated.
  • further target specifications can be taken into account. These target specifications can relate, for example, to the robustness of the neural network. If the neural network is used, for example, to recognize objects in camera data, then robustness with regard to changes in brightness can be aimed for as a target variable.
  • care is taken to ensure that this temporal variance manifests itself only as the variance of the at least one target variable.
  • the ranking is then set up in the same way.
  • filters that have a greater influence within the neural network can be retained despite a large activation difference.
  • Filters that have a functionality similar to other filters e.g. filters that filter camera data by means of a convolution with a filter function
  • filters that are not similar to other filters can be shifted in order to lower ranks, i.e. they can be checked with less preference.
  • Other target variables can be pluralism-oriented, which means that many different features are recognized or filtered out in the input data.
  • a certain ranking is adapted in such a way that many different features or a minimum number of different features can still be recognized or filtered out.
  • a further target variable can also be an efficiency (also referred to as performance) of the neural network.
  • the merged ranking can be determined and / or adapted in such a way that all the intended target variables are taken into account when selecting the elements or filters of the neural network to be checked.
  • the determination of the selections, in particular via the activation differences, and the checking is limited to selected layers of the neural network.
  • layers that are used, for example, for feature extraction can be excluded from pruning.
  • the pruning can thus concentrate on certain sub-tasks.
  • An example of this is in region proposal networks, which first identify relevant image sections for object recognition and then classify and evaluate them.
  • the neural network is retrained after the pruning. This can improve the functional quality of the panned or compressed neural network. A full training does not have to be carried out here. In contrast, it can be provided that the tested or compressed neural network is retrained with only part of the training data originally used for training. Retraining takes place in particular by means of the central server.
  • the elements for checking are deactivated at least for the time being.
  • parameters of the element to be checked are set to zero, for example, so that the element in the neural network no longer has any influence on a result in the subsequent layer or the output layer of the neural network.
  • This has the advantage that the deactivation can be reversed more easily compared to removing an element of the neural network. If, after deactivating an element, it turns out, for example, that the functional quality of the neural network is impaired too much, the element can be activated again. In particular, the reactivated element can then be marked so that it is not deactivated and / or checked again in subsequent runs of the method. In the other case, the deactivated element can be removed in a later step, that is, a structure of the neural network is adapted. This takes place in particular if a functional quality or other target variables are achieved despite the deactivated element.
  • the pruning does not take place until at least one triggering criterion is met.
  • the trigger criterion can be, for example, a predetermined number of elements in the ranking.
  • the trigger criterion can additionally or alternatively also be a convergence of the ranking. Convergence of the ranking means here that the elements in the determined ranking no longer change over a predetermined number of runs of the method or a predetermined period of time, at least for a predetermined number of ranks.
  • the presence of the trigger criterion is checked in particular by means of the central server.
  • the checked neural network is then transmitted to at least one fleet participant. This takes place, for example, in the form of a digital data packet which is transmitted via the communication interfaces and which includes a structure and weightings as well as parameters of the panned neural network.
  • the fleet participants receive the checked neural network and can then replace the neural network stored in a respective storage device with the received checked neural network. The method can then be carried out again on the panned neural network.
  • the determination of the ranking is designed as an iterative process.
  • the transmission and merging (or the aggregation step) on the central server is followed by a renewed distribution of the ranking, for example as a table, to the fleet participants in the vehicle fleet.
  • the fleet participants then continue the ranking or update it until a relevant deviation from the previously distributed ranking occurs and the next aggregation step is triggered. This process ends when the ranking does not change or only changes marginally.
  • 1 shows a schematic representation of an embodiment of the system
  • 2 shows a schematic flow diagram of an embodiment of the method for compressing a neural network.
  • the system 1 shows a schematic representation of an embodiment of the system 1.
  • the system 1 comprises several fleet participants 2 in the form of motor vehicles 50 and a central server 20.
  • Each fleet participant 2 comprises a computing device 3, a storage device 4 and a communication interface 5. Furthermore, each fleet participant 2 comprises a sensor system 6, for example in the form of a camera 51, which provides camera data as input data 7 via an input interface 8, and which is provided by the input interface 8 of the Computing device 3 are supplied.
  • a neural network 9 is stored in the storage device 4, that is to say a structure, weightings and parameters which clearly describe the neural network 9.
  • the computing device 3 can perform arithmetic operations in the storage device 4 and in particular operates the neural network 9.
  • the central server 20 comprises a computing device 21, a storage device 22 and a communication interface 23.
  • the computing device 3 of the fleet participants 2 is designed to locally execute the neural network 9 stored in the memory device 4 on the input data 7 and to determine a selection 10 of elements of the neural network 9 that are to be checked during at least one inference phase. If the selection 10 has been made, the computing device 3 transmits the specific selection 10 to a central server 20 via the communication interface 5.
  • the computing device 21 of the central server 20 is designed to receive selections 10 of elements of the neural network 9 transmitted by the fleet participants 2 via the communication interfaces 5, 23, to merge them and to generate a merged selection 11.
  • the neural network 9 is then checked by the computing device 21 on the basis of the merged selection 11, so that a checked neural network 12 is generated.
  • the checked neural network 12 is then transmitted to the fleet participants 2 via the communication interfaces 5, 23.
  • the Computing devices 3 of the fleet participants 2 can then replace the neural network 9 in the storage device 4 with the checked neural network 12.
  • the transmission criterion 13 can be, for example, a certain number of locally collected or selected elements of the neural network 9.
  • a transmission criterion 13 can also be that a selection no longer changes after several local runs or inference phases.
  • the fleet participants 2 each create a ranking 14 of the selected elements and the selection 10 is transmitted to the central server 20 in the form of the ranking 14 created, the central server 20 for merging a merged ranking 15 based on the transmitted Rankings 14 created.
  • the pruning of the neural network 9 then takes place on the basis of the merged ranking 15.
  • input data 7 which change over time are fed to the neural network 9 in order to determine the respective selection 10, with temporal activation differences of elements of the neural network 9 being determined for temporally adjacent input data 7, and the selection of the elements of the neural Network 9 takes place as a function of the specific timing differences.
  • a ranking 14 of the elements of the neural network 9 is created on the basis of the respective time activation differences determined for the elements. The selection 10 then includes the ranking 14 created in this way.
  • the neural network 9 is retrained in the central server 2 after the check.
  • the elements for checking are deactivated at least for the time being.
  • parameters of the element are set to zero, for example, so that the element in the neural network 9 no longer has any influence on a result in the subsequent layer or the output layer of the neural network 9. If, after deactivating an element, it turns out, for example, that a functional quality of the neural network 9 is impaired too much, the element can be activated again. In particular, the reactivated element can then be marked so that it can be used in subsequent Running through the procedure is not deactivated and / or checked again. In a later step, in particular after retraining the neural network 9, the deactivated element can be removed, that is, a structure of the neural network 9 is adapted so that the tested neural network 12 is generated. This takes place in particular if a functional quality or other target variables are achieved despite the deactivated element.
  • the pruning does not take place until at least one triggering criterion 30 is met.
  • the triggering criterion 30 can be, for example, reaching a predetermined number of elements in the merged ranking 15.
  • the triggering criterion 30 can additionally or alternatively also be a convergence of the merged ranking 15. Convergence of the merged ranking 15 means that the elements in the merged ranking 15 no longer change over a specified number of runs of the method or a specified period of time, at least for a specified number of ranks.
  • the presence of the trigger criterion 30 is checked in particular by means of the central server 20.
  • FIG. 2 shows a schematic flow diagram to illustrate an embodiment of the method for compressing a neural network 9.
  • the method is carried out by means of a system 1 which is designed, for example, like the embodiment shown in FIG. 1.
  • One part of the method is carried out in each case in the fleet participants 2, another part in the central server 20.
  • the flowchart is explained using the example of input data 7, which are provided in the form of a video 40 consisting of individual video images 41 (frames).
  • the individual video images 41 each correspond to a point in time t i .
  • a method step 100 the individual video images 41 are fed to the neural network 9. This is shown for two adjacent time steps, that is to say for a single video image 41, which corresponds to time t i , and for a single video image 41, which corresponds to the subsequent time t i + 1.
  • the neural network 9 is applied to the video frames 41 and inferences a result at the outputs of an output layer of the neural network 9.
  • the result can include, for example, object recognition or classification and / or the creation of bounding boxes for the recognized objects.
  • values for activations 43 of elements of the neural network 9 are recorded or read out. If the neural network 9 is designed as a convolution network, the activations 43 correspond to the respective values Outputs of filters of the convolution network.
  • the result is provided as a list, for example, in which the associated activation 43 for each element of the neural network 9 for the points in time t i and t i + 1 is stored.
  • a time activation difference 44 for the two points in time t i and t i + 1 under consideration is determined from the values for the activations 43 of the individual elements. This is done element by element for all elements of the neural network 9. In particular, an amount of a difference between the values of the activation 43 of the individual elements is considered. For each of the elements of the neural network 9, a time activation difference 44 is then available in relation to the two points in time t i and t i + 1 . The result is provided, for example, as a list in which the activation time difference 44 for the points in time t i and t i + 1 under consideration is stored for each element of the neural network 9.
  • the activation differences 44 over time are averaged and the subsequent method steps 102-106 are carried out on the basis of the averaged activation differences 44.
  • the determined time activation differences 44 are determined as a function of at least one influencing parameter 45.
  • a speed provided e.g. via a GPS sensor
  • current weather provided e.g. via a rain sensor
  • a steering angle provided e.g. via a steering angle sensor
  • a method step 102 the determined temporal activation differences 44 are sorted according to size. This results in a ranking 14 in which the elements of the neural network 9 with the greatest temporal activation differences 44 occupy the upper ranks.
  • the rankings 14 created are transmitted by the fleet participants 2 to the central server 20 via communication interfaces.
  • a summarized ranking 15 is generated in the central server 20 on the basis of the transmitted ranking 14.
  • the merging that too can be referred to as aggregating, in particular the formation of an arithmetic mean, geometric averaging methods (e.g. focal points can be formed from vectors formed from the individual rankings 14), moment-based averaging methods, swarm-based averaging methods, geographic averaging methods and / or safety-focused averaging methods.
  • the merged ranking 15 is created taking into account at least one target variable 46.
  • the at least one target variable 46 can relate to a robustness of the neural network 9, for example.
  • elements or filters which have a greater influence within the neural network 9 can be retained despite a large activation difference 44 over time.
  • Elements or filters that have a functionality similar to other elements or filters e.g. filters that filter camera data by means of a convolution with a filter function
  • elements or filters that are not similar to other elements or filters can be shifted backwards in the composite ranking 15, that is to say they can be deleted with less preference.
  • Further target variables 46 can be pluralism-oriented, that is to say ensure that many different features in the input data 7 are recognized or filtered out.
  • a composite ranking 15 is correspondingly adapted in such a way that many different features or a minimum number of different features are recognized or filtered out.
  • a further target variable 46 can also be a performance of the neural network 9.
  • the elements for checking are deactivated at least for the time being.
  • the neural network 9 can then be checked.
  • a method step 105 the neural network 9 is checked in that elements of the neural network 9 with the greatest time activation differences 44 are removed from the structure of the neural network 9 in accordance with the composite ranking 15. As a result, a checked neural network 12 is provided.
  • the pruning of the neural network 9 is only carried out when the triggering criterion 30 is met.
  • provision can be made for the pruned neural network 12 to be retrained.
  • the described method steps 100-106 are used for further points in time carried out.
  • the checking in method step 105 is carried out on the basis of a merged ranking 15 that was created for mean values of the temporal activation differences 44.
  • averaging is carried out over a number of times t i.
  • method steps 100-106 are repeated cyclically, current input data 7 being used in each case.
  • method steps 100-106 are repeated using the (retrained) pruned neural network 12, with the neural network 9 being exchanged for the respective (retrained) pruned neural network 12 for this purpose.
  • the described embodiment of the method allows the neural network 9 to be compressed, the stability of the neural network 9 being increased at the same time, since unstable elements of the neural network 9 are removed or deactivated.
  • the input data consists of a video sequence of individual video images.
  • the method takes advantage of this and uses it for stability-based pruning of the neural network.
  • the method is applied in particular to a well-trained neural network, in particular a convolutional neural network (CNN).
  • Filters of the CNN in particular are considered as elements of the neural network. Filters (also referred to as filter kernels) whose activations show a large change in the activation in adjacent individual video frames, i.e. in the case of input data that changes over time (i.e.
  • a (convolution) layer comprises, in particular, a plurality of filters (also referred to as filter kernels), with each filter receiving, in particular, an entire output of a preceding layer and each filter providing an associated feature map as output.
  • a single video image in a sequential data set with a height H, a width W, channels C and a point in time t, with defined as a video frame of a data record c
  • the single video image x t is the input (that is, corresponds to the input data at the input) of a neural network, where q are parameters of the neural network.
  • This neural network includes (Fold) layers, the outputs of which are, with a height H l , a width W l and a number of feature maps
  • the j-th feature map of the output of layer 1 is referred to, that is to say the feature map associated with filter j of layer I, where As a set of all feature maps in the neural network at a point in time t can then To be defined.
  • stability is defined as a change in output (Activation difference) in relation to a change in the associated input x t , that is, a ranking function rank results for a filter j in layer l and a point in time t.
  • the ranking function is determined in particular for each element of the neural network, i.e. for each filter in the current example.
  • the changes in the outputs i.e. in the activations of the filters, can be made have two causes. First, a change at the output can be caused by a change in the single video image x t at the input. Second, a change can be made too by changing the activations at the exit of a previous shift be evoked.
  • the structural similarity index (SSIM) known per se can be used, for example.
  • the SSIM is used to measure a similarity between two images.
  • D t is the normalized output of the l-th slice to the following slice at time t. This is calculated in the following equation.
  • the outputs (activations) are normalized with a height H l, a width W l and a number k l of channels (feature maps) Layer l.
  • Equation (2) and (3) are combined with equation (1).
  • the rank is defined here as is a video sequence.
  • Equation (4) defines the rank as one over all Points in time t (ie over a number T of individual video frames) averaged (temporal) activation difference with reference to a change at the inputs of the filter, i.e. with reference to a (temporal) change in the input data:
  • l is a weighting factor with which an influence of the preceding layer can be set.
  • the influence of the preceding layer is weighted with a size H x x W x of the layer l considered in each case. Average values are determined from this, i.e. the rank is unmarked over several (unlabeled) video sequences A are summarized and (arithmetically) averaged as shown in equation (5).
  • the ranking created in this way is transmitted to the central server, where the transmitted ranking is merged with the transmitted ranking of other fleet participants.
  • the neural network is then checked on the basis of the merged ranking, for example the filters in the upper (5, 10, 20, ... etc.) ranks of the merged ranking are removed from the neural network, as these are the most unstable filters or elements of the neural network.
  • the mathematical example relates to a video sequence or video frames as input data. In principle, however, the procedure for a different type of input data is the same.
  • central server 15 merged ranking 20 central server 21 computing device (central server) 22 storage device (central server) 23 communication interface (central server) 30 trigger criterion

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Neurology (AREA)
  • Traffic Control Systems (AREA)
  • Image Analysis (AREA)

Abstract

Die Erfindung betrifft Verfahren zum Komprimieren eines Neuronalen Netzes (9), wobei Flottenteilnehmer (2) einer Fahrzeugflotte lokal das Neuronale Netz (9) ausführen und jeweils während mindestens einer Inferenzphase eine Auswahl (10) von Elementen des Neuronalen Netzes (9) bestimmen, die geprunt werden sollen, wobei die Flottenteilnehmer (2) die jeweils bestimmte Auswahl (10) an einen zentralen Server (20) übermitteln, wobei der zentrale Server (20) die jeweils übermittelten Auswahlen (10) zusammenführt und eine zusammengeführte Auswahl (11) erzeugt, und wobei der zentrale Server (20) das Neuronale Netz (9) auf Grundlage der zusammengeführten Auswahl (11) prunt. Ferner betrifft die Erfindung zugehörig einen Flottenteilnehmer (2), einen zentralen Server (20) und ein System (1).

Description

Beschreibung
Verfahren zum Komprimieren eines Neuronalen Netzes
Die Erfindung betrifft ein Verfahren zum Komprimieren eines Neuronalen Netzes. Ferner betrifft die Erfindung einen Flottenteilnehmer, einen zentralen Server und ein System.
Moderne Fahrerassistenzsysteme und Fahrfunktionen zum automatisierten Fahren verwenden zunehmend maschinelles Lernen, um unter anderem die Fahrzeugumgebung einschließlich anderer Verkehrsteilnehmer (z.B. Fußgänger und weitere Fahrzeuge) zu erkennen und deren Verhalten zu beschreiben. Hierbei erfolgt die Auswertung von Eingangsdaten (Input) aus verschiedenen Quellen (z.B. Kameras, Radar, Lidar) durch tiefe Neuronale Netze, welche an diesen unter anderem eine pixelweise Klassifikationen vornehmen (semantische Segmentierung) oder Umschließungsrahmen (bounding box) erkannter Objekte erzeugen.
In beiden Fällen werden üblicherweise Faltungsnetze (Convolutional Neural Networks, CNN) eingesetzt, welche im Training die Gewichte sogenannter Filter basierend auf dem Input parametrisieren. Die verwendeten Faltungsnetze nutzen hierbei zunehmend eine Vielzahl von Filtern und Schichten (layer), sodass der benötigte Zeit- bzw. Rechenaufwand zur Verarbeitung (Inferenz) von Eingangsdaten zu Ausgaben (Output) zunimmt. Da der Anwendung von Neuronalen Netzen im Bereich des automatischen Fahrens aufgrund der dynamischen Umgebung harte Einschränkungen bezüglich einer benötigten Rechenzeit obliegen und gleichzeitig die in Fahrzeugen einsetzbare Hardware (Rechenkapazitäten) nicht beliebig skaliert werden kann, ist die Größe des Neuronalen Netzes ein limitierender Faktor im Hinblick auf die Einsatzmöglichkeiten in solchen Systemen.
Sogenanntes Prunen (engl. Pruning) versucht die Größe des Neuronalen Netzes durch Entfernen von einzelnen Elementen, das heißt von Neuronen, Parametern bzw. ganzen Filtern, zu verringern. Hierbei ist die Wahl der zu entfernenden Neuronen bzw. Filter von Bedeutung. Unterschiedliche Filter können die Ausgabe des Netzes unterschiedlich stark beeinflussen. Es gilt also, durch ausgewählte Strategien diejenigen Filter zu selektieren, deren Entfernung die geringsten Auswirkungen auf die Ausgabe(-qualität) verursacht und dabei zugleich eine möglichst große Anzahl an Filtern zu prunen, um eine signifikante Verkleinerung des Netzes und somit möglichst geringe Inferenz- und Trainingszeiten zu erreichen. Aus der US 2018/0336468 A1 sind Systeme und Verfahren zum Prunen eines Faltungsnetzes (CNN) bekannt. Das Verfahren umfasst das Extrahieren von Faltungsschichten aus einem trainierten CNN, wobei jede Faltungsschicht eine Kernelmatrix mit mindestens einem in einem entsprechenden Ausgangskanal der Kernelmatrix ausgebildeten Filter enthält, einem Merkmalskartensatz mit einer Merkmalskarte (feature map), die jedem Filter entspricht. Für jeden Kernel wird ein absolutes Kernelgewicht bestimmt und über jeden Filter aufsummiert, um eine Stärke jedes Filters zu bestimmen. Die Stärke jedes Filters wird mit einer Schwelle verglichen und ein Filter wird entfernt, wenn die bestimmte Stärke unterhalb der Schwelle liegt. Eine Merkmalskarte (feature map), die jedem der entfernten Filter entspricht, wird entfernt, um das CNN zu prunen. Das CNN wird erneut trainiert, um ein gepruntes CNN mit weniger Faltungsschichten zu erzeugen.
Aus der US 2018/0114114 A1 sind ein Verfahren, ein computerlesbares Medium und ein System zum Prunen eines Neuronalen Netzes bekannt. Das Verfahren umfasst die Schritte des Empfangens von Gradienten erster Ordnung einer Kostenfunktion relativ zu Schichtparametern für ein trainiertes Neuronales Netz und des Berechnens eines Pruningkriteriums für jeden Schichtparameter basierend auf dem Gradienten erster Ordnung, der dem Schichtparameter entspricht, wobei das Pruningkriterium eine Wichtigkeit jedes Neurons angibt, das in dem trainierten neuronalen Netz enthalten ist und dem Schichtparameter zugeordnet ist. Das Verfahren umfasst die zusätzlichen Schritte des Identifizierens mindestens eines Neurons mit der geringsten Wchtigkeit und des Entfernens des mindestens einen Neurons aus dem trainierten Neuronalen Netz, um ein gepruntes Neuronales Netzwerk zu erzeugen.
Der Erfindung liegt die Aufgabe zu Grunde, ein Verfahren zum Komprimieren eines Neuronalen Netzes, insbesondere im Hinblick auf eine Auswahl von zu prunenden Elementen des Neuronalen Netzes, zu verbessern.
Die Aufgabe wird erfindungsgemäß durch ein Verfahren mit den Merkmalen des Patentanspruchs 1, einen Flottenteilnehmer mit den Merkmalen des Patentanspruchs 9, einen zentralen Server mit den Merkmalen des Patentanspruchs 10 und ein System mit den Merkmalen des Patentanspruchs 11 gelöst. Vorteilhafte Ausgestaltungen der Erfindung ergeben sich aus den Unteransprüchen.
In einem ersten Aspekt der Erfindung wird insbesondere ein Verfahren zum Komprimieren eines Neuronalen Netzes zur Verfügung gestellt, wobei Flottenteilnehmer einer Fahrzeugflotte lokal das Neuronale Netz ausführen und jeweils während mindestens einer Inferenzphase eine Auswahl von Elementen des Neuronalen Netzes bestimmen, die geprunt werden sollen, wobei die Flottenteilnehmer die jeweils bestimmte Auswahl an einen zentralen Server übermitteln, wobei der zentrale Server die jeweils übermittelten Auswahlen zusammenführt und eine zusammengeführte Auswahl erzeugt, und wobei der zentrale Server das Neuronale Netz auf Grundlage der zusammengeführten Auswahl prunt.
In einem zweiten Aspekt der Erfindung wird insbesondere ein Flottenteilnehmer für eine Fahrzeugflotte geschaffen, umfassend eine Recheneinrichtung, wobei die Recheneinrichtung derart ausgebildet ist, lokal ein Neuronales Netz auszuführen und jeweils während mindestens einer Inferenzphase eine Auswahl von Elementen des Neuronalen Netzes zu bestimmen, die geprunt werden sollen, und die bestimmte Auswahl an einen zentralen Server zu übermitteln.
In einem dritten Aspekt der Erfindung wird insbesondere ein zentraler Server geschaffen, umfassend eine Recheneinrichtung, wobei die Recheneinrichtung derart ausgebildet ist, von Flottenteilnehmern jeweils übermittelte Auswahlen von Elementen eines Neuronalen Netzes zusammenzuführen und eine zusammengeführte Auswahl zu erzeugen, und das Neuronales Netz auf Grundlage der zusammengeführten Auswahl zu prunen.
In einem vierten Aspekt der Erfindung wird insbesondere ein System geschaffen, umfassend mindestens einen Flottenteilnehmer gemäß dem zweiten Aspekt der Erfindung und einen zentralen Server gemäß dem dritten Aspekt der Erfindung. Das System führt insbesondere das Verfahren gemäß dem ersten Aspekt der Erfindung aus.
Das Verfahren und das System ermöglichen es, ein Neuronales Netz auf effiziente Weise zu komprimieren. Dies wird erreicht, indem auf Flottenteilnehmer einer Fahrzeugflotte zurückgegriffen wird. Die Flottenteilnehmer führen das Neuronale Netz mittels einer Recheneinrichtung aus. Während mindestens einer Inferenzphase werden Elemente des Neuronalen Netzes bestimmt, die geprunt werden sollen. Die bestimmten Elemente werden jeweils in Form einer Auswahl an einen zentralen Server übermittelt. Der zentrale Server sammelt die jeweiligen Auswahlen der Flottenteilnehmer und erzeugt hieraus eine zusammengeführte Auswahl. Das Neuronale Netz wird anschließend, insbesondere mittels des zentralen Servers, auf Grundlage der zusammengeführten Auswahl geprunt.
Ein Vorteil der Erfindung ist, dass das Auswählen zu prunender Elemente auf Grundlage einer vergrößerten Datenbasis erfolgt, da eine Vielzahl von Flottenteilnehmern Elemente des Neuronalen Netzes unter Berücksichtigung verschiedener Situationen auswählt. Je mehr Flottenteilnehmer beim Bestimmen der Auswahl der zu prunenden Elemente des Neuronales Netzes berücksichtigt werden, desto mehr Situationen können berücksichtigt werden. Das Auswählen der zu prunenden Elemente ist hierdurch verbessert.
Die Recheneinrichtungen der Flottenteilnehmer weisen jeweils insbesondere eine Speichereinrichtung auf oder können jeweils auf eine solche Speichereinrichtung zugreifen. Die Recheneinrichtungen können als eine Kombination von Hardware und Software ausgebildet sein, beispielsweise als Programmcode, der auf einem Mikrocontroller oder Mikroprozessor ausgeführt wird. Die Recheneinrichtungen betreiben insbesondere das Neuronale Netz, das heißt die Recheneinrichtungen führen die zum Betreiben des Neuronalen Netzes notwendigen Rechenoperationen auf bereitgestellten Eingangsdaten aus, sodass Aktivierungen bzw. Werte an Ausgängen des Neuronalen Netzes in Form von Ausgangsdaten inferiert und bereitgestellt werden können. In den jeweils zugehörigen Speichereinrichtungen sind hierzu jeweils lokale Kopien des Neuronalen Netzes hinterlegt, das heißt eine Struktur und zugehörige Gewichtungen sowie Parameter des Neuronalen Netzes.
Die Recheneinrichtung des zentralen Servers ist entsprechend ausgebildet. In der Speichereinrichtung des zentralen Servers liegt eine zentrale Kopie des Neuronalen Netzes.
Das Prunen wird an der zentralen Kopie des Neuronalen Netzes durchgeführt.
Eingangsdaten sind insbesondere Sensordaten, insbesondere ein Sensordatenstrom von im Zeitverlauf erfassten Sensordaten. Insbesondere werden die Sensordaten von Sensoren erfasst und einer Eingangsschicht des Neuronalen Netzes zugeführt, beispielsweise über eine hierfür ausgebildete Eingangsschnittstelle. Ein Sensor ist insbesondere eine Kamera, ein Lidar- oder ein Radarsensor. Es können prinzipiell jedoch auch fusionierte Sensordaten verwendet werden.
Ein Flottenteilnehmer ist insbesondere ein Kraftfahrzeug. Prinzipiell kann ein Flottenteilnehmer jedoch auch ein anderes Land-, Wasser-, Luft- oder Raumfahrzeug sein.
Das Übermitteln der Auswahlen von den Flottenteilnehmern an den zentralen Server erfolgt insbesondere über hierfür vorgesehene Kommunikationsschnittstellen der Flottenteilnehmer und des zentralen Servers. Eine Kommunikation erfolgt hierbei insbesondere drahtlos.
Das Neuronale Netz ist insbesondere ein tiefes Neuronales Netz, insbesondere ein Faltungsnetz (Convolutional Neuronal Network, CNN). Insbesondere ist vorgesehen, dass das Neuronale Netz eine Wahrnehmungsfunktion ausführt. Beispielsweise kann das Neuronale Netz dazu dienen, an erfassten Sensordaten, beispielsweise Kameradaten, eine Objektklassifikation vorzunehmen. Ferner können auch Bereiche der Sensordaten identifiziert werden, in denen Objekte zu finden sind (Bounding Box).
Ein Element ist insbesondere ein Neuron des Neuronalen Netzes. Handelt es sich bei dem Neuronalen Netz um ein Faltungsnetz, so ist ein Element insbesondere ein Filter des Faltungsnetzes.
Prunen des Neuronalen Netzes soll insbesondere bedeuten, dass das Neuronale Netz in seiner Struktur verändert, insbesondere beschnitten bzw. verkleinert wird. Dies erfolgt durch Entfernen von Elementen und/oder Teilen (z.B. Parameter oder Eingangskanäle etc.) der Elemente aus dem Neuronalen Netz. Auf Grund der geänderten, insbesondere beschnittenen, Struktur, kann das geprunte Neuronale Netz mit einer geringeren Rechenleistung auf Eingangsdaten angewandt werden. Das geprunte Neuronale Netz ist dann in seiner Struktur komprimiert.
Es kann insbesondere vorgesehen sein, dass das Verfahren zyklisch wiederholt wird. Das Verfahren kann beispielsweise solange wiederholt werden, bis ein Abbruchkriterium erfüllt ist. Das Abbruchkriterium kann beispielsweise ein Unterschreiten einer funktionalen Güte des (fortschreitend) geprunten Neuronalen Netzes sein.
Es kann insbesondere vorgesehen sein, dass auf das Prunen nachfolgend ein Nachtrainieren des geprunten Neuronalen Netzes erfolgt, um eine funktionale Güte (Performanz) des (geprunten) Neuronalen Netzes nach dem Prunen wieder herzustellen.
Beim Prunen ist insbesondere vorgesehen, dass das Neuronale Netz in homogener Weise geprunt wird. Homogen soll hierbei bedeuten, dass im Mittel alle Bereiche des Neuronalen Netzes gleich stark geprunt werden. Hierdurch kann verhindert werden, dass Bereiche oder einzelne Schichten des Neuronalen Netzes übermäßig geprunt werden und hierdurch eine Funktionalität bzw. eine funktionale Güte des Neuronalen Netzes nachteilig beeinträchtigt wird.
Das Auswählen der Elemente des Neuronalen Netzes kann auf verschiedene Arten erfolgen. In einer einfachen Ausführungsform werden beispielsweise diejenigen Elemente des Neuronalen Netzes zum Prunen von den Flottenteilnehmern ausgewählt, die den geringsten Einfluss auf ein Ausgangsergebnis des Neuronalen Netzes aufweisen. Es kann ferner auch vorgesehen sein, dass Elemente ausgewählt werden, an deren Ausgängen Aktivierungen stets unterhalb eines vorgegebenen Schwellenwertes liegen. Die ausgewählten Elemente werden beispielsweise in Form einer Liste, einer Tabelle oder einer Datenbank gesammelt und zu der Auswahl zusammengestellt. In der Liste, der Tabelle oder der Datenbank ist beispielsweise eine eindeutige Kennzeichnung eines jeweils ausgewählten Elements vermerkt sowie gegebenenfalls weitere Eigenschaften oder Werte, wie beispielsweise eine maximale, minimale und/oder durchschnittliche Aktivierung des betrachteten Elements. Insbesondere umfasst die Liste, die Tabelle oder die Datenbank ein jeweils verwendetes Auswahlkriterium bzw. ein zu dem jeweils verwendeten Auswahlkriterium zugehörigen Wert des jeweiligen Elements. Das Auswahlkriterium definiert hierbei die Bedingungen, unter denen die Elemente ausgewählt werden. Die Liste, die Tabelle oder die Datenbank wird insbesondere in Form eines digitalen Datenpakets über die Kommunikationsschnittstellen an den zentralen Server übermittelt.
Das Zusammenführen der Listen / Rangfolgen / Tabellen kann auf verschiedene Weise erfolgen. Insbesondere können hierbei Mittelwerte gebildet werden und/oder andere Mittelungsverfahren eingesetzt werden, beispielsweise arithmetische Mittelwerte, geometrische Mittelwerte, momentenbasierte Mittelungsverfahren, schwarmbasierte Mittelungsverfahren, geographische Mittelungsverfahren in Abhängigkeit einer Fahrstrecke des/der Flottenteilnehmer und/oder sicherheitsfokussierte bzw. situationsabhängige Mittelungsverfahren.
Insbesondere kann das Zusammenführen das Bestimmen der von den Flottenteilnehmern am häufigsten ausgewählten Elemente umfassen, wobei die zusammengeführte Auswahl die am häufigsten ausgewählten Elemente umfasst.
Es kann vorgesehen sein, dass das geprunte Neuronale Netz nach dem Prunen ausgegeben wird, beispielsweise in Form eines die Struktur und die Gewichtungen bzw. Parameter des Neuronalen Netzes beschreibenden digitalen Datensatzes.
Es kann vorgesehen sein, dass nur ausgewählte Flottenteilnehmer der Fahrzeugflotte das Verfahren ausführen. Andere Flottenteilnehmer können hingegen lediglich das Neuronale Netz anwenden und erhalten beispielsweise nach einem Prunen des Neuronalen Netzes von dem zentralen Server das geprunte Neuronale Netz. Eine Auswahl von zu prunenden Elementen wird von den anderen Flottenteilnehmern hingegen nicht getroffen oder übermittelt. Dies hat den Vorteil, dass die ausgewählten Flottenteilnehmer zum Durchführen des Verfahrens technisch besser ausgerüstet sein können, beispielsweise im Hinblick auf eine Sensorik und/oder eine Speicherkapazität einer Speichereinrichtung. ln einer Ausführungsform ist vorgesehen, dass das Übermitteln der Auswahl an den zentralen Server erfolgt, wenn mindestens ein Übermittlungskriterium erfüllt ist. Hierdurch kann eine unnötige Kommunikation zwischen den Flottenteilnehmern und dem zentralen Server vermieden werden. Ein Übermittlungskriterium kann beispielsweise eine bestimmte Anzahl von lokal gesammelten Elementen des Neuronalen Netzes sein. Ein Übermittlungskriterium kann auch fordern, dass eine Auswahl sich nach mehreren Durchläufen bzw. Inferenzphasen nicht mehr ändert.
In einer Ausführungsform ist vorgesehen, dass die Flottenteilnehmer jeweils eine Rangfolge der ausgewählten Elemente erstellen und die Auswahl in Form der erstellten Rangfolge an den zentralen Server übermittelt wird, wobei der zentrale Server zum Zusammenführen eine zusammengeführte Rangfolge auf Grundlage der übermittelten Rangfolgen erstellt, und wobei das Prunen des Neuronalen Netzes auf Grundlage der zusammengeführten Rangfolge erfolgt. Hierdurch können gezielt solche Elemente geprunt werden, die gemäß einem Kriterium, nach der die Rangfolge erstellt wurde, die größten Werte erreichen.
In einer Ausführungsform ist vorgesehen, dass dem Neuronalen Netz zum Bestimmen der jeweiligen Auswahl jeweils zeitlich sich ändernde Eingangsdaten zugeführt werden, wobei zeitliche Aktivierungsdifferenzen von Elementen des Neuronalen Netzes für zeitlich benachbarte Eingangsdaten bestimmt werden, und wobei das Auswählen der Elemente des Neuronalen Netzes in Abhängigkeit der bestimmten zeitlichen Aktivierungsdifferenzen erfolgt. Dies ermöglicht es, das Neuronale Netz unter Berücksichtigung eines stabilitätsorientierten Kriteriums zu komprimieren. Dies erfolgt dadurch, dass dem Neuronalen Netz sich zeitlich ändernde Eingangsdaten zugeführt werden. Durch die zeitliche Änderung der Eingangsdaten, ändern sich auch Aktivierungen bzw. Werte an jeweiligen Ausgängen der einzelnen Elemente des Neuronalen Netzes. Eine zeitliche Änderung der Aktivierungen bzw. Werte an den Ausgängen wird dann über zeitliche Aktivierungsdifferenzen der Elemente des Neuronalen Netzes abgebildet. Die Ausführungsform beruht hierbei auf der folgenden Überlegung: Da die Eingangsdaten, welche insbesondere auf Grundlage von erfassten Sensordaten bereitgestellt werden, in der Regel bei einer kleinen Änderung der zeit nur wenig variieren, sollten auch die Aktivierungsdifferenzen, die für diese zeitliche Änderung an den Ausgängen der Elemente bestimmt werden, nur wenig variieren. Große Aktivierungsdifferenzen deuten daher auf instabile Elemente in dem Neuronalen Netz hin. Über das Bestimmen der zeitlichen Aktivierungsdifferenzen können die instabilen Elemente identifiziert werden. Sind die instabilen Elemente identifiziert, so können diese später zentral im zentralen Server im Wege des Prunings aus der Struktur des Neuronalen Netzes entfernt werden. Eine Aktivierungsdifferenz ist insbesondere eine Differenz, die aus Aktivierungen bzw. Werten eines Ausgangs bestimmt wird, die von einem Element des Neuronalen Netzes zu benachbarten, insbesondere aufeinanderfolgenden, Zeitpunkten inferiert bzw. berechnet werden. Sind die Eingangsdaten beispielsweise Kameradaten, so können die Eingangsdaten mit zwei zeitlich aufeinanderfolgenden Einzelbildern der Kameradaten korrespondieren. Über die Aktivierungsdifferenz wird daher eine zeitliche Fluktuation der Aktivierungen am Ausgang eines Elements des Neuronalen Netzes in Abhängigkeit zeitlich variierender Eingangsdaten abgebildet.
Die Eingangsdaten sind insbesondere Sensordaten, insbesondere ein Sensordatenstrom von im Zeitverlauf erfassten Sensordaten. Insbesondere werden die Sensordaten von Sensoren erfasst und einer Eingangsschicht des Neuronalen Netzes zugeführt, beispielsweise über eine hierfür ausgebildete Eingangsschnittstelle.
Ist das Neuronale Netz ein Faltungsnetz, so werden die Aktivierungsdifferenzen jeweils für die Filter des Faltungsnetzes bestimmt.
Wird das Verfahren zyklisch wiederholt, so kann das Wiederholen des Verfahrens beispielsweise abgebrochen werden, wenn die Aktivierungsdifferenzen unterhalb eines vorgegebenen Schwellenwertes liegen, das heißt wenn ein vorgegebener Grad an Stabilität erreicht ist.
Insbesondere ist vorgesehen, dass aus den bestimmten Aktivierungsdifferenzen elementeweise Mittelwerte gebildet werden, wobei das Prunen in Abhängigkeit der gebildeten Mittelwerte durchgeführt wird. Hierdurch können kurzzeitig auftretende Spitzen in den Aktivierungsdifferenzen berücksichtigt bzw. abgeschwächt werden. Derartige Spitzen führen alleine dann nicht dazu, dass das zugehörige Element des Neuronalen Netzes als instabil identifiziert wird. Erst wenn ein für dieses Element bestimmter Mittelwert aus mehreren Aktivierungsdifferenzen beispielsweise einen Schwellenwert überschreitet, wird das zugehörige Element zum Prunen ausgewählt. Die Mittelwerte können als arithmetisches Mittel, zeitliches Mittel oder geometrisches Mittel bestimmt werden. Das Bilden von Mittelwerten kann sowohl von den Flottenteilnehmern durchgeführt werden als auch von dem zentralen Server.
Das Zusammenführen der Auswahlen im zentralen Server, das auch als Aggregieren bezeichnet werden kann, kann insbesondere das Bilden eines arithmetischen Mittelwertes, geometrische Mittelungsverfahren (z.B. können Schwerpunkte von aus einzelnen Rangfolgen gebildeten Vektoren gebildet werden), momentenbasierte Mittelungsverfahren, schwarmbasierte Mittelungsverfahren, geographische Mittelungsverfahren und/oder sicherheitsfokussierte Mittelungsverfahren umfassen.
Schwarmbasierte Mittelungsverfahren können insbesondere als partielle Filter ausgebildet sein, das heißt es werden aus den Auswahlen der einzelnen Flottenteilnehmer Untermengen ausgewählt und eine Mittelung erfolgt jeweils nur innerhalb dieser Untermengen. Die Untermengen können hierbei beispielsweise in Abhängigkeit einer geographischen Position oder Region, einer Fahrstrecke, eines Zeitpunktes (Uhrzeit, Tageszeit, Wochentag, Monat, Jahreszeit etc.) oder anderen Eigenschaften gebildet werden. Die Untermengen werden hierbei stets auf Grundlage von Gemeinsamkeiten der die Auswahlen bereitstellenden Flottenteilnehmer bzw. der Umstände, unter denen die Auswahlen erstellt wurden, gebildet.
Sicherheitsfokussierte Mittelungsverfahren berücksichtigen insbesondere eine Situation, in der ein Element des Neuronalen Netzes zum Prunen ausgewählt wurde. Diese Situation kann dann Einfluss auf die bestimmten Rangfolgen haben. Beispielsweise können sicherheitskritische Situationen (z.B. wenn kleine Kinder sich im Umfeld eines Kraftfahrzeugs befinden) dazu führen, dass ausgewählte Elemente in der Rangfolge weiter nach oben, das heißt in Richtung der höheren Ränge verschoben werden. Insbesondere wenn eine zeitliche Aktivierungsdifferenz zum Auswählen der Elemente verwendet wird, kann hierdurch eine „Bestrafung“ eines Elements bzw. eines Filters vergrößert (oder verringert) werden, sodass situationsbedingte Umstände einen Einfluss auf die Rangfolge haben.
In einer Ausführungsform ist vorgesehen, dass zumindest ein Teil der bestimmten Aktivierungsdifferenzen in Abhängigkeit von mindestens einem Einflussparameter bestimmt wird. Hierdurch kann beispielsweise erreicht werden, dass die Aktivierungsdifferenzen im zeitlichen Verlauf oder situationsabhängig beeinflusst werden können. Beispielsweise kann eine Geschwindigkeit (bereitgestellt z.B. von einem GPS-Sensor), ein aktuelles Wetter (bereitgestellt z.B. von einem Regensensor) und/oder ein Lenkwinkel (bereitgestellt z.B. von einem Lenkwinkelsensor) dazu verwendet werden, eine bestimmte Aktivierungsdifferenz situationsbedingt zu verstärken oder abzuschwächen. Insbesondere situationsbedingte Sensoreigenschaften können hierdurch berücksichtigt werden.
In einer Ausführungsform ist vorgesehen, dass die Rangfolge der Elemente auf Grundlage der bestimmten zeitlichen Aktivierungsdifferenzen erstellt wird, wobei das Prunen in Abhängigkeit der erstellten Rangfolge durchgeführt wird. Insbesondere erfolgt das Erstellen der Rangfolge auf Grundlage von jeweiligen Mittelwerten der bestimmten Aktivierungsdifferenzen. Ausgehend von der erstellten Rangfolge kann beispielsweise vorgesehen sein, dass eine vorgegebene Anzahl von Rängen später beim Prunen im zentralen Server berücksichtigt wird, beispielsweise die 10, 100 oder 1000 Elemente des Neuronalen Netzes (z.B. die 10, 100 oder 1000 Filter des Faltungsnetzes), die die größten (gemittelten) Aktivierungsdifferenzen aufweisen. Das Erstellen der Rangfolge ermöglicht es, das Neuronale Netz zu komprimieren und hierbei gezielt die instabilsten Elemente auszuwählen und zu prunen. Die von den Flottenteilnehmern erstellten und als jeweilige Auswahl an den zentralen Server übermittelten Rangfolgen werden von dem zentralen Server zu einer zusammengeführten Rangfolge zusammengeführt.
In einer weiterbildenden Ausführungsform ist insbesondere vorgesehen, dass die Rangfolge derart bestimmt wird, dass die Elemente des Neuronalen Netzes mit den größten zeitlichen Aktivierungsdifferenzen geprunt werden. Hierdurch werden die instabilsten Elemente des Neuronalen Netzes aus dem Neuronalen Netz entfernt.
Eine Rangfolgenfunktion zum Bestimmen einer (In-)Stabilität eines Elements des Neuronalen Netzes kann in einem einfachen Fall definiert sein durch eine zeitliche Aktivierungsdifferenz zwischen Aktivierungen des Elementes in Bezug auf eine (zeitliche) Änderung in den Eingangsdaten (z.B. eine Änderung in zeitlich benachbarten Videoeinzelbildern).
Sofern es sich bei den Eingangsdaten um Videoeinzelbilder handelt, beispielsweise um Kamerabilder einer Umfeldkamera, kann in einer Rangfolgenfunktion der Index der Strukturellen Ähnlichkeit (Structural Similarity Index, SSIM) zwischen den Videoeinzelbildern unterschiedlicher Zeitpunkte verwendet werden, um einen Unterschied zwischen zeitlich benachbarten Videoeinzelbilden zu bestimmen.
Für ein Convolutional Neural Network (CNN) werden in einer Weiterbildung der Rangfolgenfunktion für einen betrachteten Filter (auch als Filterkern bezeichnet) in einer Faltungsschicht des CNNs zusätzlich die zeitlichen Aktivierungsdifferenzen in einer voranstehenden Faltungsschicht des Neuronalen Netzes berücksichtigt. Hierdurch kann ein Einfluss einer voranstehenden Faltungsschicht beim Bestimmen bzw. Berechnen der zeitlichen Aktivierungsdifferenzen berücksichtigt bzw. entfernt werden. Der Gedanke dahinter ist, dass sich Aktivierungsdifferenzen durch das Neuronale Netz hindurch fortpflanzen können, da die zeitlichen Aktivierungsdifferenzen einer Faltungsschicht an die nachfolgende Faltungsschicht weitergegeben werden. Durch Berücksichtigung der zeitlichen Aktivierungsdifferenzen der jeweils voranstehenden Faltungsschicht werden die für einzelne Filter berechneten Aktivierungsdifferenzen über das gesamte Neuronale Netz bzw. schichtenübergreifend hinweg vergleichbar gemacht. Die Rangfolge der Elemente des Neuronalen Netzes lässt sich hierdurch verbessert bestimmen.
Es kann weiterbildend vorgesehen sein, dass über mehrere Zeitschritte gemittelt wird. Ferner kann vorgesehen sein, dass beispielsweise über mehrere Sätze von Eingangsdaten, beispielsweise mehrere jeweils aus Videoeinzelbildern bestehenden Videosequenzen gemittelt wird.
In einer weiterbildenden Ausführungsform ist vorgesehen, dass die zusammengeführte Rangfolge unter Berücksichtigung mindestens einer Zielgröße erstellt wird. Hierdurch kann eine erweiterte Rangfolge erzeugt werden. Insbesondere können durch Berücksichtigung der mindestens einen Zielgröße neben der Stabilität des Neuronalen Netzes weitere Zielvorgaben berücksichtigt werden. Diese Zielvorgaben können beispielsweise eine Robustheit des Neuronalen Netzes betreffen. Dient das Neuronale Netz beispielsweise zum Erkennen von Objekten in Kameradaten, so kann eine Robustheit gegenüber Helligkeitsänderungen als Zielgröße angestrebt werden. Hierbei wird bei der Auswahl der zeitlichen Varianz über die Eingangsdaten darauf geachtet, dass sich diese zeitliche Varianz lediglich als Varianz der mindestens einen Zielgröße manifestiert. Die Aufstellung der Rangfolge erfolgt dann analog. Ferner können Filter, die innerhalb des Neuronalen Netzes einen größeren Einfluss haben, trotz einer großen Aktivierungsdifferenz beibehalten werden. Auch können Filter, die einer Funktionalität nach anderen Filtern gleichen (z.B. Filter, die Kameradaten im Wege einer Faltung mit einer Filterfunktion filtern), in der Rangfolge auf weiter vorne liegende Ränge verschoben werden, das heißt beim Prunen bzw. beim Entfernen bevorzugt werden. Hingegen können Filter, die anderen Filtern nicht ähneln, in der Rangfolge auf weiter hinten liegende Ränge verschoben werden, das heißt weniger bevorzugt geprunt werden. Weitere Zielgrößen können pluralitätsorientiert sein, das heißt dafür sorgen, dass viele verschiedene Merkmale in den Eingangsdaten erkannt bzw. herausgefiltert werden. Entsprechend wird eine bestimmte Rangfolge dahingehend angepasst, dass weiterhin viele verschiedene Merkmale bzw. eine Mindestanzahl an unterschiedlichen Merkmalen erkannt bzw. herausgefiltert werden kann. Eine weitere Zielgröße kann auch eine Leistungsfähigkeit (auch als Performanz bezeichnet) des Neuronalen Netzes sein. Einfach ausgedrückt kann die zusammengeführte Rangfolge derart bestimmt und/oder angepasst werden, dass sämtliche vorgesehenen Zielgrößen bei der Auswahl der zu prunenden Elemente bzw. Filter des Neuronalen Netzes berücksichtigt werden. ln einer Ausführungsform ist vorgesehen, dass das Bestimmen der Auswahlen, insbesondere über die Aktivierungsdifferenzen, und das Prunen auf ausgewählte Schichten des Neuronalen Netzes beschränkt ist. Hierdurch können Schichten, die beispielsweise einer Merkmalsextraktion dienen, vom Prunen ausgeschlossen werden. Vor allem für Neuronale Netze, die verschiedene Aufgaben erfüllen (Multi-task-learning) oder deren Aufgabenerfüllung in verschiedene Teilschritte zerfällt, lässt sich das Prunen so auf bestimmte Teilaufgaben konzentrieren. Ein Beispiel hierfür liegt in Region-Proposal-Netzwerken, die für die Objekterkennung zuerst relevante Bildausschnitte identifizieren und diese nachfolgend klassifizieren und bewerten. Hierbei kann es zielführend sein, das Prunen auf die Klassifikation zu konzentrieren, um ein durch das Prunen ausgelöstes Übersehen relevanter Bildbereiche zu verhindern.
In einer Ausführungsform ist vorgesehen, dass das Neuronale Netz im Anschluss an das Prunen nachtrainiert wird. Hierdurch kann eine funktionale Güte des geprunten bzw. komprimierten Neuronalen Netzes verbessert werden. Hierbei muss kein vollständiges Training durchgeführt werden. Es kann hingegen vorgesehen sein, dass das geprunte bzw. komprimierte Neuronale Netz nur mit einem Teil von ursprünglich zum Trainieren verwendeten Trainingsdaten nachtrainiert wird. Das Nachtrainieren erfolgt insbesondere mittels des zentralen Servers.
In einer Ausführungsform ist vorgesehen, dass die Elemente zum Prunen zumindest vorerst deaktiviert werden. Hierzu werden Parameter des zu prunenden Elementes beispielsweise auf Null gesetzt, sodass das Element in dem Neuronalen Netz keinen Einfluss mehr auf ein Ergebnis in der nachfolgenden Schicht bzw. der Ausgangsschicht des Neuronalen Netzes hat. Dies hat den Vorteil, dass das Deaktivieren gegenüber einem Entfernen eines Elementes des Neuronalen Netzes leichter wieder rückgängig gemacht werden kann. Stellt sich nach dem Deaktivieren eines Elements beispielsweise heraus, dass eine funktionale Güte des Neuronalen Netzes zu stark beeinträchtigt ist, so kann das Element wieder aktiviert werden. Insbesondere kann das wieder aktivierte Element anschließend markiert werden, sodass es bei nachfolgenden Durchläufen des Verfahrens nicht erneut deaktiviert und/oder geprunt wird. Im anderen Fall kann das deaktivierte Element in einem späteren Schritt entfernt werden, das heißt eine Struktur des Neuronalen Netzes wird angepasst. Dies erfolgt insbesondere, wenn eine funktionale Güte oder sonstige Zielgrößen trotz des deaktivierten Elements erreicht werden.
In einer Ausführungsform ist vorgesehen, dass das Prunen erst erfolgt, wenn mindestens ein Auslösekriterium erfüllt ist. Hierdurch kann das Prunen immer dann erfolgen, wenn ein bestimmter Zustand erreicht ist. Insbesondere ein stetes bzw. zu häufiges Prunen und/oder eine zu stark variierende Auswahl der zu prunenden Elemente des Neuronalen Netzes können hierdurch verhindert werden. Das Auslösekriterium kann beispielsweise eine vorgegebene Anzahl von Elementen in der Rangfolge sein. Ferner kann das Auslösekriterium zusätzlich oder alternativ auch eine Konvergenz der Rangfolge sein. Konvergenz der Rangfolge bedeutet hierbei, dass sich die Elemente in der bestimmten Rangfolge über eine vorgegebene Anzahl an Durchläufen des Verfahrens oder eine vorgegebene Zeitdauer zumindest für eine vorgegebene Anzahl von Rängen nicht mehr verändert. Das Vorliegen des Auslösekriteriums wird insbesondere mittels des zentralen Servers überprüft.
In einer Ausführungsform ist vorgesehen, dass das geprunte Neuronale Netz anschließend an mindestens einen Flottenteilnehmer übermittelt wird. Dies erfolgt beispielsweise in Form eines über die Kommunikationsschnittstellen übermittelten digitalen Datenpakets, das eine Struktur und Gewichtungen sowie Parameter des geprunten Neuronalen Netzes umfasst. Die Flottenteilnehmer empfangen das geprunte Neuronale Netz und können anschließend das in einer jeweiligen Speichereinrichtung hinterlegte Neuronale Netz durch das empfangene geprunte Neuronale Netz ersetzen. Anschließend kann das Verfahren erneut an dem geprunten Neuronalen Netz ausgeführt werden.
In einer Ausführungsform ist vorgesehen, dass das Ermitteln der Rangfolge als iterativer Prozess ausgestaltet ist. Hierbei folgt auf das Übermitteln und Zusammenführen (bzw. den Aggregationsschritt) auf dem zentralen Server ein erneutes Verteilen der Rangfolge, beispielsweise als Tabelle, an die Flottenteilnehmer der Fahrzeugflotte. Die Flottenteilnehmer führen dann die Rangfolge fort bzw. aktualisieren diese, bis eine relevante Abweichung von der zuletzt verteilten Rangfolge eintritt und der nächste Aggregationsschritt ausgelöst wird. Dieser Prozess endet, wenn sich die Rangfolge nicht oder nur noch marginal ändert.
Weitere Merkmale zur Ausgestaltung des Flottenteilnehmers und des zentralen Servers sowie des Systems ergeben sich aus der Beschreibung von Ausgestaltungen des Verfahrens. Die Vorteile des Flottenteilnehmers und des zentralen Servers sowie des Systems sind hierbei jeweils die gleichen wie bei den Ausgestaltungen des Verfahrens.
Nachfolgend wird die Erfindung anhand bevorzugter Ausführungsbeispiele unter Bezugnahme auf die Figuren näher erläutert. Hierbei zeigen:
Fig. 1 eine schematische Darstellung einer Ausführungsform der Systems; Fig. 2 ein schematisches Ablaufdiagramm einer Ausführungsform des Verfahrens zum Komprimieren eines Neuronalen Netzes.
In Fig. 1 ist eine schematische Darstellung einer Ausführungsform des Systems 1 gezeigt. Das System 1 umfasst mehrere Flottenteilnehmer 2 in Form von Kraftfahrzeugen 50 und einen zentralen Server 20.
Jeder Flottenteilnehmer 2 umfasst eine Recheneinrichtung 3, eine Speichereinrichtung 4 und eine Kommunikationsschnittstelle 5. Ferner umfasst jeder Flottenteilnehmer 2 eine Sensorik 6, beispielsweise in Form einer Kamera 51, die Kameradaten als Eingangsdaten 7 über eine Eingangsschnittstelle 8 bereitstellt, und welche von der Eingangsschnittstelle 8 der Recheneinrichtung 3 zugeführt werden. In der Speichereinrichtung 4 ist jeweils ein Neuronales Netz 9 hinterlegt, das heißt eine Struktur, Gewichtungen und Parameter, die das Neuronale Netz 9 eindeutig beschreiben. Die Recheneinrichtung 3 kann Rechenoperationen in der Speichereinrichtung 4 ausführen und betreibt insbesondere das Neuronale Netz 9.
Der zentrale Server 20 umfasst eine Recheneinrichtung 21, eine Speichereinrichtung 22 und eine Kommunikationsschnittstelle 23.
Die Recheneinrichtung 3 der Flottenteilnehmer 2 ist derart ausgebildet, lokal das in der Speichereinrichtung 4 hinterlegte Neuronale Netz 9 auf den Eingangsdaten 7 auszuführen und jeweils während mindestens einer Inferenzphase eine Auswahl 10 von Elementen des Neuronalen Netzes 9 zu bestimmen, die geprunt werden sollen. Ist die Auswahl 10 erfolgt, so übermittelt die Recheneinrichtung 3 die bestimmte Auswahl 10 über die Kommunikationsschnittstelle 5 an einen zentralen Server 20.
Die Recheneinrichtung 21 des zentralen Servers 20 ist derart ausgebildet, von den Flottenteilnehmern 2 jeweils übermittelte Auswahlen 10 von Elementen des Neuronalen Netzes 9 über die Kommunikationsschnittstellen 5, 23 zu empfangen, zusammenzuführen und eine zusammengeführte Auswahl 11 zu erzeugen. Das Neuronales Netz 9 wird anschließend von der Recheneinrichtung 21 auf Grundlage der zusammengeführten Auswahl 11 geprunt, sodass ein gepruntes Neuronales Netz 12 erzeugt wird.
Es kann vorgesehen sein, dass das geprunte Neuronale Netz 12 anschließend über die Kommunikationsschnittstellen 5, 23 an die Flottenteilnehmer 2 übermittelt wird. Die Recheneinrichtungen 3 der Flottenteilnehmer 2 können dann das Neuronale Netz 9 in der Speichereinrichtung 4 durch das geprunte Neuronale Netz 12 ersetzen.
Es kann vorgesehen sein, dass das Übermitteln der Auswahlen 10 an den zentralen Server 20 erfolgt, wenn mindestens ein Übermittlungskriterium 13 erfüllt ist. Das Übermittlungskriterium 13 kann beispielsweise eine bestimmte Anzahl von lokal gesammelten bzw. ausgewählten Elementen des Neuronalen Netzes 9 sein. Ein Übermittlungskriterium 13 kann auch sein, dass eine Auswahl sich nach mehreren lokalen Durchläufen bzw. Inferenzphasen nicht mehr ändert.
Es kann vorgesehen sein, dass die Flottenteilnehmer 2 jeweils eine Rangfolge 14 der ausgewählten Elemente erstellen und die Auswahl 10 in Form der erstellten Rangfolge 14 an den zentralen Server 20 übermittelt wird, wobei der zentrale Server 20 zum Zusammenführen eine zusammengeführte Rangfolge 15 auf Grundlage der übermittelten Rangfolgen 14 erstellt. Das Prunen des Neuronalen Netzes 9 erfolgt dann auf Grundlage der zusammengeführten Rangfolge 15.
Es kann vorgesehen sein, dass dem Neuronalen Netz 9 zum Bestimmen der jeweiligen Auswahl 10 jeweils zeitlich sich ändernde Eingangsdaten 7 zugeführt werden, wobei zeitliche Aktivierungsdifferenzen von Elementen des Neuronalen Netzes 9 für zeitlich benachbarte Eingangsdaten 7 bestimmt werden, und wobei das Auswählen der Elemente des Neuronalen Netzes 9 in Abhängigkeit der bestimmten zeitlichen Aktivierungsdifferenzen erfolgt. Insbesondere kann vorgesehen sein, dass zum Auswählen eine Rangfolge 14 der Elemente des Neuronalen Netzes 9 auf Grundlage der jeweils für die Elemente bestimmten zeitlichen Aktivierungsdifferenzen erstellt wird. Die Auswahl 10 umfasst dann die derart erstellte Rangfolge 14.
Es kann vorgesehen sein, dass das Neuronale Netz 9 im Anschluss an das Prunen im zentralen Server 2 nachtrainiert wird.
Es kann vorgesehen sein, dass die Elemente zum Prunen zumindest vorerst deaktiviert werden. Hierzu werden Parameter des Elementes beispielsweise auf Null gesetzt, sodass das Element in dem Neuronalen Netz 9 keinen Einfluss mehr auf ein Ergebnis in der nachfolgenden Schicht bzw. der Ausgangsschicht des Neuronalen Netzes 9 hat. Stellt sich nach dem Deaktivieren eines Elements beispielsweise heraus, dass eine funktionale Güte des Neuronalen Netzes 9 zu stark beeinträchtigt ist, so kann das Element wieder aktiviert werden. Insbesondere kann das wieder aktivierte Element anschließend markiert werden, sodass es bei nachfolgenden Durchläufen des Verfahrens nicht erneut deaktiviert und/oder geprunt wird. In einem späteren Schritt, insbesondere nach einem Nachtrainieren des Neuronalen Netzes 9 kann das deaktivierte Element entfernt werden, das heißt eine Struktur des Neuronalen Netzes 9 wird angepasst, sodass das geprunte Neuronale Netz 12 erzeugt wird. Dies erfolgt insbesondere, wenn eine funktionale Güte oder sonstige Zielgrößen trotz des deaktivierten Elements erreicht werden.
Ferner kann vorgesehen sein, dass das Prunen erst erfolgt, wenn mindestens ein Auslösekriterium 30 erfüllt ist. Das Auslösekriterium 30 kann beispielsweise ein Erreichen einer vorgegebenen Anzahl von Elementen in der zusammengeführten Rangfolge 15 sein. Ferner kann das Auslösekriterium 30 zusätzlich oder alternativ auch eine Konvergenz der zusammengeführten Rangfolge 15 sein. Konvergenz der zusammengeführten Rangfolge 15 bedeutet hierbei, dass sich die Elemente in der zusammengeführten Rangfolge 15 über eine vorgegebene Anzahl von Durchläufen des Verfahrens oder eine vorgegebene Zeitdauer zumindest für eine vorgegebene Anzahl an Rängen nicht mehr verändert. Das Vorliegen des Auslösekriteriums 30 wird insbesondere mittels des zentralen Servers 20 überprüft.
In Fig. 2 ist ein schematisches Flussdiagramm zur Verdeutlichung einer Ausführungsform des Verfahrens zum Komprimieren eines Neuronalen Netzes 9 gezeigt. Das Verfahren wird mittels eines Systems 1 ausgeführt, welches beispielsweise wie die in der Fig. 1 gezeigte Ausführungsform ausgebildet ist. Ein Teil des Verfahrens wird hierbei jeweils in den Flottenteilnehmern 2 ausgeführt, ein anderer Teil in dem zentralen Server 20. Das Flussdiagramm wird am Beispiel von Eingangsdaten 7 erläutert, die in Form eines aus Videoeinzelbildern 41 (Frames) bestehenden Videos 40 bereitgestellt werden. Die Videoeinzelbilder 41 korrespondieren hierbei jeweils mit einem Zeitpunkt ti.
In einem Verfahrensschritt 100 werden die Videoeinzelbilder 41 dem Neuronalen Netz 9 zugeführt. Dies ist für zwei benachbarte Zeitschritte gezeigt, das heißt für ein Videoeinzelbild 41 , das mit dem Zeitpunkt ti korrespondiert, und für ein Videoeinzelbild 41 , das mit dem darauffolgenden Zeitpunkt ti+1 korrespondiert. Das Neuronale Netz 9 wird auf die Videoeinzelbilder 41 angewandt und inferiert ein Ergebnis an Ausgängen einer Ausgangsschicht des Neuronalen Netzes 9. Das Ergebnis kann beispielsweise eine Objekterkennung bzw. -klassifikation und/oder das Erstellen von Bounding Boxes für die erkannten Objekte umfassen. Beim Inferieren werden Werte für Aktivierungen 43 von Elementen des Neuronalen Netzes 9 erfasst bzw. ausgelesen. Ist das Neuronale Netz 9 als Faltungsnetz ausgebildet, so entsprechen die Aktivierungen 43 den jeweiligen Werten an Ausgängen von Filtern des Faltungsnetzes. Das Ergebnis wird beispielsweise jeweils als Liste bereitgestellt, in der zu jedem Element des Neuronalen Netzes 9 die zugehörige Aktivierung 43 für die betrachteten Zeitpunkte ti und ti+1 hinterlegt ist.
In einem Verfahrensschritt 101 wird aus den Werten für die Aktivierungen 43 der einzelnen Elemente eine zeitliche Aktivierungsdifferenz 44 für die beiden betrachteten Zeitpunkte ti und ti+1 bestimmt. Dies erfolgt elementeweise für alle Elemente des Neuronalen Netzes 9. Hierbei wird insbesondere ein Betrag einer Differenz zwischen den Werten der Aktivierung 43 der einzelnen Elemente betrachtet. Für jedes der Elemente des Neuronalen Netzes 9 steht anschließend eine zeitliche Aktivierungsdifferenz 44 in Bezug auf die zwei Zeitpunkte ti und ti+1 zur Verfügung. Das Ergebnis wird beispielsweise als Liste bereitgestellt, in der zu jedem Element des Neuronalen Netzes 9 die zeitliche Aktivierungsdifferenz 44 für die betrachteten Zeitpunkte ti und ti+1 hinterlegt ist.
Es kann vorgesehen sein, dass die zeitlichen Aktivierungsdifferenzen 44 gemittelt werden und die nachfolgenden Verfahrensschritte 102-106 ausgehend von den gemittelten Aktivierungsdifferenzen 44 durchgeführt werden.
Es kann vorgesehen sein, dass zumindest ein Teil der bestimmten zeitlichen Aktivierungsdifferenzen 44 in Abhängigkeit von mindestens einem Einflussparameter 45 bestimmt wird. Beispielsweise kann eine Geschwindigkeit (bereitgestellt z.B. über einen GPS- Sensor), ein aktuelles Wetter (bereitgestellt z.B. über einen Regensensor) und/oder ein Lenkwinkel (bereitgestellt z.B. über einen Lenkwinkelsensor) dazu verwendet werden, eine bestimmte zeitliche Aktivierungsdifferenz 44 situationsbedingt zu verstärken oder abzuschwächen.
In einem Verfahrensschritt 102 werden die bestimmten zeitlichen Aktivierungsdifferenzen 44 der Größe nach sortiert. Es entsteht hierdurch eine Rangfolge 14, in der die Elemente des Neuronalen Netzes 9 mit den größten zeitlichen Aktivierungsdifferenzen 44 die oberen Ränge belegen.
In einem Verfahrensschritt 103 werden die erstellten Rangfolgen 14 von den Flottenteilnehmern 2 über Kommunikationsschnittstellen an den zentralen Server 20 übermittelt.
Im zentralen Server 20 wird in einem Verfahrensschritt 104 auf Grundlage der übermittelten Rangfolgen 14 eine zusammenfasste Rangfolge 15 erzeugt. Das Zusammenführen, das auch als Aggregieren bezeichnet werden kann, kann insbesondere das Bilden eines arithmetischen Mittelwertes, geometrische Mittelungsverfahren (z.B. können Schwerpunkte von aus den einzelnen Rangfolgen 14 gebildeten Vektoren gebildet werden), momentenbasierte Mittelungsverfahren, schwärm basierte Mittelungsverfahren, geographische Mittelungsverfahren und/oder sicherheitsfokussierte Mittelungsverfahren umfassen.
Es kann vorgesehen sein, dass die zusammengeführte Rangfolge 15 unter Berücksichtigung mindestens einer Zielgröße 46 erstellt wird. Die mindestens eine Zielgröße 46 kann beispielsweise eine Robustheit des Neuronalen Netzes 9 betreffen. Ferner können Elemente bzw. Filter, die innerhalb des Neuronalen Netzes 9 einen größeren Einfluss haben, trotz einer großen zeitlichen Aktivierungsdifferenz 44 beibehalten werden. Auch können Elemente bzw. Filter, die einer Funktionalität nach anderen Elementen bzw. Filtern gleichen (z.B. Filter, die Kameradaten im Wege einer Faltung mit einer Filterfunktion filtern), in der zusammengesetzten Rangfolge 15 nach vorne verschoben werden, das heißt beim Prunen bzw. beim Entfernen bevorzugt werden. Hingegen können Elemente bzw. Filter, die anderen Elementen bzw. Filtern nicht ähneln, in der zusammengesetzten Rangfolge 15 nach hinten verschoben werden, das heißt weniger bevorzugt gelöscht werden. Weitere Zielgrößen 46 können pluralitätsorientiert sein, das heißt dafür sorgen, dass viele verschiedene Merkmale in den Eingangsdaten 7 erkannt bzw. herausgefiltert werden. Entsprechend wird eine zusammengesetzte Rangfolge 15 dahingehend angepasst, dass weiterhin viele verschiedene Merkmale bzw. eine Mindestanzahl an unterschiedlichen Merkmalen erkannt bzw. herausgefiltert werden. Eine weitere Zielgröße 46 kann auch eine Leistungsfähigkeit (Performanz) des Neuronalen Netzes 9 sein.
Es kann vorgesehen sein, dass die Elemente zum Prunen zumindest vorerst deaktiviert werden. In einem nachfolgenden Verfahrensschritt, beispielsweise nach einem erfolgreichen Nachtrainieren, kann das Neuronale Netz 9 dann geprunt werden.
In einem Verfahrensschritt 105 wird das Neuronale Netz 9 geprunt, indem Elemente des Neuronalen Netzes 9 mit den größten zeitlichen Aktivierungsdifferenzen 44 gemäß der zusammengesetzten Rangfolge 15 aus der Struktur des Neuronalen Netzes 9 entfernt werden. Als Ergebnis wird ein gepruntes Neuronales Netz 12 bereitgestellt.
Es kann vorgesehen sein, dass in einem Verfahrensschritt 200 vorher geprüft wird, ob mindestens ein Auslösekriterium 30 erfüllt ist. Erst wenn das Auslösekriterium 30 erfüllt ist, wird das Prunen des Neuronale Netzes 9 durchgeführt. Es kann in einem Verfahrensschritt 106 zur Erhöhung einer funktionalen Güte des geprunten Neuronalen Netzes 12 vorgesehen sein, dass das geprunte Neuronale Netz 12 nachtrainiert wird.
Die beschriebenen Verfahrensschritte 100-106 werden für weitere Zeitpunkte durchgeführt. Es ist insbesondere vorgesehen, dass das Prunen in Verfahrensschritt 105 auf Grundlage einer zusammengeführten Rangfolge 15 durchgeführt wird, die für Mittelwerte der zeitlichen Aktivierungsdifferenzen 44 erstellt wurde. Hierbei wird insbesondere über mehrere Zeitpunkte ti gemittelt.
Es ist insbesondere vorgesehen, dass die Verfahrensschritte 100-106 zyklisch wiederholt werden, wobei jeweils aktuelle Eingangsdaten 7 verwendet werden. Insbesondere ist vorgesehen, dass die Verfahrensschritte 100-106 unter Verwendung des (nachtrainierten) geprunten Neuronalen Netzes 12 wiederholt werden, wobei das Neuronale Netz 9 hierzu gegen das jeweils (nachtrainierte) geprunte Neuronale Netz 12 ausgetauscht wird.
Durch die beschriebene Ausführungsform des Verfahrens kann das Neuronale Netz 9 komprimiert werden, wobei sich gleichzeitig eine Stabilität des Neuronalen Netzes 9 erhöht, da instabile Elemente des Neuronalen Netzes 9 entfernt bzw. deaktiviert werden.
Nachfolgend wird das Bestimmen einer Rangfolge ausgehend von zeitlichen Aktivierungsdifferenzen mit Hilfe eines mathematischen Beispiels verdeutlicht. Es wird hierbei davon ausgegangen, dass die Eingangsdaten aus einer Videosequenz aus Videoeinzelbildern bestehen. Je nach Anzahl der Videoeinzelbilder pro Zeiteinheit (z.B. Frames pro Sekunde) ergeben sich nur geringe Änderungen in benachbarten Videoeinzelbildern. Dies macht sich das Verfahren zunutze und verwendet dies zum stabilitätsbasierten Pruning des Neuronalen Netzes. Das Verfahren wird insbesondere auf ein gut trainiertes Neuronales Netz, insbesondere ein Convolutional Neuronal Network (CNN), angewendet. Als Elemente des Neuronalen Netzes werden insbesondere Filter des CNN betrachtet. Hierbei werden Filter (auch als Filterkerne bezeichnet), deren Aktivierungen bei benachbarten Videoeinzelbildern, das heißt bei zeitlich sich ändernden Eingangsdaten, eine große Änderung in der Aktivierung zeigen (das heißt bei denen eine zeitliche Aktivierungsdifferenz groß ist) als instabil betrachtet. In der Ausführungsform des Verfahrens werden solche Filter in einer Rangfolge höher gewertet. Als Eingangsdaten werden nur unmarkierte (ungelabelte) Eingangsdaten benötigt, beispielsweise Videoeinzelbilder einer Videosequenz, die mit einer Kamera zum Erfassen eines Umfelds eines Kraftfahrzeugs erfasst wurden. Eine (Faltungs-)Schicht umfasst insbesondere mehrere Filter (auch als Filterkerne bezeichnet), wobei jeder Filter insbesondere eine gesamte Ausgabe einer vorangehenden Schicht erhält und jeder Filter eine zugehörige Merkmalskarte (engl feature map) als Ausgabe bereitstellt.
Für ein Videoeinzelbild in einem sequentiellen Datensatz (Videosequenz) mit einer Höhe H, einer Breite W, Kanälen C und einem Zeitpunkt t, mit als Videoeinzelbild eines Datensatzes c definiert, wobei Das Videoeinzelbild xt ist die Eingabe (das heißt entspricht den Eingangsdaten am Eingang) eines Neuronalen Netzes wobei q Parameter des Neuronalen Netzes sind. Dieses Neuronale Netz umfasst (Faltungs-)Schichten, deren Ausgänge sind, mit einer Höhe Hl, einer Breite Wl und einer Anzahl von Merkmalskarten
Mit wird die j-te Merkmalskarte (feature map) des Ausgangs der Schicht l bezeichnet, das heißt die zum Filter j der Schicht I zugehörige Merkmalskarte, wobei Als Satz aller Merkmalskarten in dem Neuronalen Netz zu einem Zeitpunkt t kann dann definiert werden.
Eine Stabilität ist insbesondere definiert als eine Änderung der Ausgabe (Aktivierungsdifferenz) in Bezug auf eine Änderung der zugehörigen Eingabe xt, das heißt es ergibt sich für ein Filter j in der Schicht l und einen Zeitpunkt t eine Rangfolgenfunktion rank. mit
Einfach ausgedrückt, ist eine Instabilität umso größer, je größer ein resultierender Wert der Rangfolgenfunktion für einen betrachteten Filter ist. Die Rangfolgenfunktion wird insbesondere für jedes Element des Neuronalen Netzes, im aktuellen Beispiel also für jeden Filter, bestimmt.
Die Änderungen in den Ausgaben das heißt in den Aktivierungen der Filter, können zwei Ursachen haben. Erstens kann eine Änderung am Ausgang durch eine Änderung im Videoeinzelbild xt am Eingang hervorgerufen werden. Zweitens kann eine Änderung auch durch eine Änderung der Aktivierungen am Ausgang einer voranstehenden Schicht hervorgerufen werden.
Um eine Differenz zwischen aufeinanderfolgenden Videoeinzelbildern (d.h. zeitlich benachbarten Eingangsdaten) zu berechnen, kann beispielsweise der an sich bekannte Index der Strukturellen Ähnlichkeit (Structural Similarity Index, SSIM) verwendet werden. Der SSIM wird zur Messung einer Ähnlichkeit zwischen zwei Bildern verwendet.
Da die Stabilität von auch von einer Stabilität der Ausgänge (Aktivierungen) von abhängt, sollte verhindert werden, dass ein Filter in der Schicht l aufgrund einer Instabilität in der Schicht l - 1 geprunt wird. Daher wird der Beitrag der voranstehenden Schicht in der Rangfolgenfunktion berücksichtigt. D t ist die normalisierte Ausgabe der l-ten Schicht zur nachfolgenden Schicht zum Zeitpunkt t. Diese wird in der nachfolgenden Gleichung berechnet. Um die Änderungen der Ausgaben (Aktivierungen) der Filter im gesamten Neuronalen Netz miteinander vergleichen zu können, werden die Ausgaben (Aktivierungen) normalisiert mit einer Höhe Hl einer Breite Wl und einer Anzahl kl von Kanälen (Merkmalkarten, engl feature maps) der Schicht l.
Um für jeden Filter dessen stabilitätsbasierten Rang zu berechnen, werden die Gleichungen (2) und (3) mit der Gleichung (1) kombiniert. Der Rang ist hierbei definiert als eine Videosequenz ist. Gleichung (4) definiert den Rang als eine über alle Zeitpunkte t (d.h. über eine Anzahl T von Videoeinzelbildern) gemittelte (zeitliche) Aktivierungsdifferenz mit Bezug auf eine Änderung an den Eingängen der Filter, das heißt mit Bezug auf eine (zeitliche) Änderung der Eingangsdaten: l ist hierbei ein Gewichtungsfaktor, mit dem ein Einfluss der voranstehenden Schicht eingestellt werden kann. Hierbei wird der Einfluss der voranstehenden Schicht mit einer Größe Hx x Wx der jeweils betrachteten Schicht l gewichtet. Hieraus werden Mittelwerte bestimmt, das heißt der Rang wird über mehrere unmarkierte (ungelabelte) Videosequenzen A zusammengefasst und (arithmetisch) gemittelt, wie in Gleichung (5) gezeigt.
Größere Werte von bedeuten jeweils eine größere Instabilität des betrachteten Filters (j-ter Filter in der l-ten Schicht). Es ist möglich, beim Mitteln andere Verfahren zu verwenden, z.B. momentenbasierte Mittelungsverfahren oder auch Mittelungsverfahren, bei denen einzelne Aktivierungsdifferenzen jeweils gewichtet berücksichtigt werden.
Die auf diese Weise erstellte Rangfolge wird an den zentralen Server übermittelt, wo die übermittelte Rangfolge mit übermittelten Rangfolgen anderer Flottenteilnehmer zusammengeführt wird.
Das Neuronale Netz wird anschließend auf Grundlage der zusammengeführten Rangfolge geprunt, beispielsweise werden die Filter in den oberen (5, 10, 20,... etc.) Rängen der zusammengeführten Rangfolge aus dem Neuronalen Netz entfernt, da diese die instabilsten Filter bzw. Elemente des Neuronalen Netzes sind.
Das mathematische Beispiel bezieht sich auf eine Videosequenz bzw. Videoeinzelbilder als Eingangsdaten. Prinzipiell ist das Vorgehen bei einer anderen Art von Eingangsdaten jedoch analog.
Bezugszeichenliste
1 System
2 Flottenteilnehmer
3 Recheneinrichtung (Flottenteilnehmer)
4 Speichereinrichtung (Flottenteilnehmer)
5 Kommunikationsschnittstelle (Flottenteilnehmer)
6 Sensorik
7 Eingangsdaten
8 Eingangsschnittstelle
9 Neuronales Netz
10 Auswahl 11 zusammengeführte Auswahl 12 gepruntes Neuronales Netz
13 Übermittlungskriterium
14 Rangfolge
15 zusammengeführte Rangfolge 20 zentraler Server 21 Recheneinrichtung (zentraler Server) 22 Speichereinrichtung (zentraler Server) 23 Kommunikationsschnittstelle (zentraler Server) 30 Auslösekriterium
40 Video
41 Videoeinzelbild
43 Aktivierung
44 zeitliche Aktivierungsdifferenz
45 Einflussparameter
46 Zielgröße 50 Kraftfahrzeug
100-106 Verfahrensschritte
200 Verfahrensschritt ti Zeitpunkt ti+1 Zeitpunkt ti+x weiterer Zeitpunkt

Claims

Patentansprüche
1. Verfahren zum Komprimieren eines Neuronalen Netzes (9), wobei Flottenteilnehmer (2) einer Fahrzeugflotte lokal das Neuronale Netz (9) ausführen und jeweils während mindestens einer Inferenzphase eine Auswahl (10) von Elementen des Neuronalen Netzes (9) bestimmen, die geprunt werden sollen, wobei die Flottenteilnehmer (2) die jeweils bestimmte Auswahl (10) an einen zentralen Server (20) übermitteln, wobei der zentrale Server (20) die jeweils übermittelten Auswahlen (10) zusammenführt und eine zusammengeführte Auswahl (11) erzeugt, und wobei der zentrale Server (20) das Neuronale Netz (9) auf Grundlage der zusammengeführten Auswahl (11) prunt.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass das Übermitteln der Auswahl (10) an den zentralen Server (20) erfolgt, wenn mindestens ein Übermittlungskriterium (13) erfüllt ist.
3. Verfahren nach einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass die Flottenteilnehmer (2) jeweils eine Rangfolge (14) der ausgewählten Elemente erstellen und die Auswahl (10) in Form der erstellten Rangfolge (14) an den zentralen Server (20) übermittelt wird, wobei der zentrale Server (20) zum Zusammenführen eine zusammengeführte Rangfolge (15) auf Grundlage der übermittelten Rangfolgen (14) erstellt, und wobei das Prunen des Neuronalen Netzes (9) auf Grundlage der zusammengeführten Rangfolge (15) erfolgt.
4. Verfahren nach einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass dem Neuronalen Netz (9) zum Bestimmen der jeweiligen Auswahl (10) jeweils zeitlich sich ändernde Eingangsdaten (7) zugeführt werden, wobei zeitliche Aktivierungsdifferenzen (44) von Elementen des Neuronalen Netzes (9) für zeitlich benachbarte Eingangsdaten (7) bestimmt werden, und wobei das Auswählen der Elemente des Neuronalen Netzes (9) in Abhängigkeit der bestimmten zeitlichen Aktivierungsdifferenzen (44) erfolgt.
5. Verfahren nach einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass das Neuronale Netz (9) im Anschluss an das Prunen nachtrainiert wird.
6. Verfahren nach einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass die Elemente zum Prunen zumindest vorerst deaktiviert werden.
7. Verfahren nach einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass das Prunen erst erfolgt, wenn mindestens ein Auslösekriterium (30) erfüllt ist.
8. Verfahren nach einem der vorangegangenen Ansprüche, dadurch gekennzeichnet, dass das geprunte Neuronale Netz (9) anschließend an mindestens einen Flottenteilnehmer (2) übermittelt wird.
9. Flottenteilnehmer (2) für eine Fahrzeugflotte, umfassend: eine Recheneinrichtung (3), wobei die Recheneinrichtung (3) derart ausgebildet ist, lokal ein Neuronales Netz (9) auszuführen und jeweils während mindestens einer Inferenzphase eine Auswahl (10) von Elementen des Neuronalen Netzes (9) zu bestimmen, die geprunt werden sollen, und die bestimmte Auswahl (10) an einen zentralen Server (20) zu übermitteln.
10. Zentraler Server (20), umfassend: eine Recheneinrichtung (3), wobei die Recheneinrichtung (3) derart ausgebildet ist, von Flottenteilnehmern (2) jeweils übermittelte Auswahlen (10) von Elementen eines Neuronalen Netzes (9) zusammenzuführen und eine zusammengeführte Auswahl (11) zu erzeugen, und das Neuronale Netz (9) auf Grundlage der zusammengeführten Auswahl (11) zu prunen.
11. System (1), umfassend: mindestens einen Flottenteilnehmer (2) gemäß Anspruch 9 und einen zentralen Server (20) gemäß Anspruch 10.
EP20751522.2A 2019-09-04 2020-08-04 Verfahren zum komprimieren eines neuronalen netzes Pending EP4026058A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102019213459.9A DE102019213459A1 (de) 2019-09-04 2019-09-04 Verfahren zum Komprimieren eines Neuronalen Netzes
PCT/EP2020/071872 WO2021043517A1 (de) 2019-09-04 2020-08-04 Verfahren zum komprimieren eines neuronalen netzes

Publications (1)

Publication Number Publication Date
EP4026058A1 true EP4026058A1 (de) 2022-07-13

Family

ID=71950625

Family Applications (1)

Application Number Title Priority Date Filing Date
EP20751522.2A Pending EP4026058A1 (de) 2019-09-04 2020-08-04 Verfahren zum komprimieren eines neuronalen netzes

Country Status (5)

Country Link
US (1) US20220292376A1 (de)
EP (1) EP4026058A1 (de)
CN (1) CN114287008A (de)
DE (1) DE102019213459A1 (de)
WO (1) WO2021043517A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117829241A (zh) * 2024-03-04 2024-04-05 西北工业大学 一种卷积神经网络的剪枝方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6847386B2 (ja) * 2016-09-09 2021-03-24 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ ニューラルネットワークの正則化
US20190114543A1 (en) * 2017-10-12 2019-04-18 British Cayman Islands Intelligo Technology Inc. Local learning system in artificial intelligence device
CN109726811A (zh) * 2017-10-27 2019-05-07 谷歌有限责任公司 使用优先级队列训练神经网络

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117829241A (zh) * 2024-03-04 2024-04-05 西北工业大学 一种卷积神经网络的剪枝方法
CN117829241B (zh) * 2024-03-04 2024-06-07 西北工业大学 一种卷积神经网络的剪枝方法

Also Published As

Publication number Publication date
US20220292376A1 (en) 2022-09-15
CN114287008A (zh) 2022-04-05
WO2021043517A1 (de) 2021-03-11
DE102019213459A1 (de) 2021-03-04

Similar Documents

Publication Publication Date Title
EP3765927B1 (de) Verfahren zum erzeugen eines trainingsdatensatzes zum trainieren eines künstlichen-intelligenz-moduls für eine steuervorrichtung eines fahrzeugs
WO2013152929A1 (de) Lernverfahren zur automatisierten erkennung von verkehrszeichen, verfahren zur bestimmung eines aktualisierten parametersatzes für eine klassifikation von einem verkehrszeichen und verkehrszeichenerkennungssystem
WO2021043517A1 (de) Verfahren zum komprimieren eines neuronalen netzes
EP3748454B1 (de) Verfahren und vorrichtung zum automatischen ausführen einer steuerfunktion eines fahrzeugs
EP4078238A1 (de) Verfahren und vorrichtung zum robustifizieren von sensordaten gegen adversariale störungen
DE102018132627A1 (de) Verfahren zum Erfassen einer Umgebung eines Kraftfahrzeugs mittels zeitlicher Fusion von Bildern durch ein künstliches neuronales Netz; Steuereinheit, Fahrerassistenzsystem; Computerprogrammprodukt
WO2021043509A1 (de) Verfahren zum komprimieren eines neuronalen netzes
DE102021133977A1 (de) Verfahren und System zur Klassifikation von Szenarien eines virtuellen Tests sowie Trainingsverfahren
EP3973466A1 (de) Verfahren zum funktionsspezifischen robustifizieren eines neuronalen netzes
DE102021204040A1 (de) Verfahren, Vorrichtung und Computerprogramm zur Erstellung von Trainingsdaten im Fahrzeug
DE102019217951A1 (de) Verfahren und Vorrichtung zum Bestimmen einer Domänendistanz zwischen mindestens zwei Datendomänen
DE102019217952A1 (de) Verfahren und Vorrichtung zum Bereitstellen eines Trainingsdatensatzes zum Trainieren einer KI-Funktion auf eine unbekannte Datendomäne
EP3973458A1 (de) Verfahren zum betreiben eines tiefen neuronalen netzes
DE102019216184A1 (de) Verfahren zum Robustifizieren eines Neuronalen Netzes gegen adversariale Störungen
EP4128057A1 (de) Verfahren und system zum bereitstellen mindestens eines komprimierten und spezialisierten neuronalen netzes für ein fahrzeug
DE102019219924B4 (de) Verfahren und Vorrichtung zum Erzeugen und Bereitstellen einer Datenbank mit darin hinterlegten Sensordatenpatches zur Verwendung beim Quilting
EP1835442A2 (de) Bewertungsvorrichtung, Verfahren und Computerprogramm
DE102021119951A1 (de) Verfahren, System und Computerprogrammprodukt zur Erkennung der Umgebung eines Kraftfahrzeugs
DE102021210322A1 (de) Verfahren zum Erzeugen eines Datensatzes zum Trainieren und/oder Testen eines Algorithmus des maschinellen Lernens basierend auf einem Ensemble an Datenfiltern
WO2022033905A1 (de) Verfahren zum betreiben eines assistenzsystems zur bestimmung einer länge eines objekts, computerprogrammprodukt, computerlesbares speichermedium sowie assistenzsystem
DE202021103699U1 (de) Vorrichtung zum Trainieren eines neuronalen Netz-Ensembles
DE102022200353A1 (de) Verfahren zum Erzeugen von Daten zum Trainieren eines auf künstlicher Intelligenz basierenden Objekterkennungsverfahrens
DE202022102072U1 (de) Vorrichtung zum Trainieren eines Algorithmus des maschinellen Lernens unter Berücksichtigung von wenigstens einer Ungleichheitsbedingung
DE102021214552A1 (de) Verfahren zum Evaluieren eines trainierten tiefen neuronalen Netz
DE102021115879A1 (de) Verfahren zum Bereitstellen eines komprimierten neuronalen Netzes

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20220404

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20230406

REG Reference to a national code

Ref country code: DE

Ref legal event code: R079

Free format text: PREVIOUS MAIN CLASS: G06N0003040000

Ipc: G06N0003098000

GRAP Despatch of communication of intention to grant a patent

Free format text: ORIGINAL CODE: EPIDOSNIGR1

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: GRANT OF PATENT IS INTENDED

RIC1 Information provided on ipc code assigned before grant

Ipc: G06N 3/045 20230101ALI20240411BHEP

Ipc: G06N 3/098 20230101AFI20240411BHEP

INTG Intention to grant announced

Effective date: 20240424

GRAS Grant fee paid

Free format text: ORIGINAL CODE: EPIDOSNIGR3

P01 Opt-out of the competence of the unified patent court (upc) registered

Effective date: 20240524